python—多协程爬取糗事百科热图

今天在使用正则表达式时未能解决实际问题，于是使用bs4库完成匹配，通过反复测试，最终解决了实际的问题，加深了对bs4.beautifulsoup模块的理解。

爬取流程

前奏：

分析糗事百科热图板块的网址，因为要进行翻页爬取内容，所以分析不同页码的网址信息是必要的

具体步骤：

１，获取网页内容（urllib.request）# 糗事百科有发爬虫技术，所以要添加headers,伪装程浏览器

２，解析网页内容，获取图片链接（from bs4 import beautifulsoup）

３，通过图片链接下载图片（urllib.request），并存储到本地

备注：

具体的爬取说明在代码都有详细的解释

  1 import urllib.request
  2 import requests
  3 from bs4 import beautifulsoup
  4 # import re
  5 import gevent
  6 from gevent import monkey
  7 import bs4
  8 
  9 monkey.patch_all()
 10 
 11 
 12 def get_html_text(url, raw_html_text, depth):
 13 
 14     # 爬取网页数据
 15 
 16     # 糗事百科有反爬虫机制，需要设置请求头伪装成浏览器
 17     hd = ('user-agent','mozilla/5.0(windows nt 10.0; wow64) applewebkit/537.36 (khtml, like gecko) ch    rome/49.0.2623.22 safari/537.36 se 2.x metasr 1.0')
 18 
 19     # 创建opener对象
 20     opener = urllib.request.build_opener()
 21     opener.addheaders = [hd]
 22 
 23     # 将opener对象设置为全局
 24     urllib.request.install_opener(opener)
 25 
 26     # 翻页爬取html_text
 27     for i in range(depth):
 28         # 根据对网址的分析，构造符合翻页时的网址
 29         url_real = url + str(i+1)
 30         try:
 31             html_data = urllib.request.urlopen(url_real).read().decode('utf-8', 'ignore')
 32             raw_html_text.append(html_data)
 33             # 测试代码
 34             # print(len(html_data))
 35         except exception as result:
 36             print('错误类型：', result)
 37     
 38     print('提取网页信息完成...')
 39     return raw_html_text
 40     # 测试代码         
 41     # print(len(raw_html_text))
 42 
 43 
 44 def parser_html_text(raw_html_text, done_img):
 45 
 46     # 对爬取的网页数据进行遍历
 47 
 48     for html_text in raw_html_text:
 49         # 使用beautifulsoup对网页进行解析
 50         soup = beautifulsoup(html_text, 'html.parser')
 51         # 使用soup.find_all('div','thumb') 查找出每个网页中所有标签是div,属性值是thumb的标签
 52         # 通过对网页源代码的分析，图片信息都存储在该标签下的孙子标签img中的属性src中
 53         # 遍历每个div标签
 54         for tag in soup.find_all('div', 'thumb'):
 55             # 判断 tag 是否是bs4.element.tag属性，因为在标签div下，并不是全部是标签
 56             if isinstance(tag, bs4.element.tag):
 57                 # 遍历每个div标签下的所有孙子标签
 58                 for img in tag.descendants:
 59                     # 判断标签的名字是不是‘img’,如果是,取出标签中属性src的属性值。
 60                     if img.name == 'img':
 61                         link = img.get('src')
 62                         done_img.append(link)
 63     #测试代码
 64     #print(done_img)
 65     print('网页解析完成...')
 66     return done_img
 67 
 68 def save_crawler_data(done_img):
 69     # 将目标文本存储到本地‘./’表示当前目录
 70     path = './img/'
 71     # enumerate(list) 返回索引及索引对应的列表内的元素
 72     for i,j in enumerate(done_img):
 73         # 分析爬取的链接，前面缺少‘https:’,使用字符串拼接
 74         j ='https:' + j
 75         # 通过urllib.request.urlopen()下载图片
 76         try:
 77             img_data = urllib.request.urlopen(j).read()
 78             path_real = path + str(i+1)
 79             with open(path_real, 'wb') as f:
 80                 f.write(img_data)
 81         except:
 82             continue
 83     print('图片存储完成')
 84 
 85 
 86 def main():
 87     url = 'https://www.qiushibaike.com/imgrank/page/'
 88     depth = 20
 89     raw_html_text = list()
 90     done_img = list()
 91     raw_html_text = get_html_text(url, raw_html_text, depth)
 92     done_img = parser_html_text(raw_html_text, done_img)
 93     gevent.joinall([
 94         gevent.spawn(get_html_text,url,raw_html_text,depth),
 95         gevent.spawn(parser_html_text,raw_html_text,done_img),
 96         gevent.spawn(save_crawler_data,done_img)
 97         ])
 98 
 99     save_crawler_data(done_img)
100 
101 
102 if __name__ == '__main__':
103     main()