Python3爬虫系列：理论+实验+爬取妹子图实战

程序员文章站 2022-04-16 09:10:57

爬取 www.mzitu.com 全站图片，截至目前共4564个图集，13.7万多张美女图片，使用 asyncio 和 aiohttp 实现的异步版本只需要不到2小时就能爬取完成。按日期创建图集目录，保存更合理。控制台只显示下载的进度条，详细信息保存在日志文件中。支持异常处理，不会终止爬虫程序。失败... ......

github： https://github.com/wangy8961/python3-concurrency-pics-02 ，欢迎star

爬虫系列：

(1) 理论

(2) 实验

(3) 实战

1. 准备环境

1.1 安装centos

建议使用vmware安装一台centos-7.3虚拟机，请参考：http://www.madmalls.com/blog/post/customize-centos-7-3-autoinstall-iso/

1.2 安装python3

请参考：http://www.madmalls.com/blog/post/deploy-flask-gunicorn-nginx-supervisor-on-centos7/#3-python3

1.3 安装mongodb

请参考：http://www.madmalls.com/blog/post/deploy-flask-gunicorn-nginx-supervisor-on-centos7/#4-mongodb ，如果是windows请参考：http://www.madmalls.com/blog/post/win10-install-mongodb/

尝试使用motor实现mongodb异步操作，好像效率更差一些，所以放弃使用该模块。目前数据库操作是同步阻塞型，使用pymongo模块

1.4 安装git

[root@centos ~]# yum -y install git

代码已上传到 https://github.com/wangy8961/python3-concurrency-pics-02 ，克隆代码：

[root@centos ~]# git clone https://github.com/wangy8961/python3-concurrency-pics-02.git
[root@centos ~]# cd python3-concurrency-pics-02/

1.5 准备虚拟环境

如果你的操作系统是linux:

[root@centos python3-concurrency-pics-02]# python3 -m venv venv3
[root@centos python3-concurrency-pics-02]# source venv3/bin/activate

windows激活虚拟环境的命令是: venv3\scripts\activate

1.6 安装依赖包

如果你的操作系统是linux:

(venv3) [root@centos python3-concurrency-pics-02]# pip install -r requirements-linux.txt

如果你的操作系统是windows（不会使用uvloop）:

(venv3) c:\users\wangy> pip install -r requirements-win32.txt

2. 分析过程

Python3爬虫系列：理论+实验+爬取妹子图实战

2.1 获取图集信息

使用requests模块或aiohttp模块来获取入口页面 http://www.mzitu.com/all/ 的html响应，然后通过beautifulsoup4和lxml来解析html文档。每个图集按年份/月份被放在<div class='all'></div>下面的每个<a href="图集url">图集标题<a>中。需要注意的是，早期图片需要访问 http://www.mzitu.com/old/ ，递归调用获取图集的函数即可

将获取的4000多个图集信息保存到mongodb数据库的albums集合中

访问 http://www.mzitu.com/all/ 和 http://www.mzitu.com/old/ ，共2次请求

2.2 获取包含图片的页面信息

每个图集下面的图片数量不相同，我们需要依次访问图集url，通过分页导航栏获取该图集下最大的图片数和它的发布时间，并在本地磁盘上创建按日期分类的目录，方便以后浏览图片

假设图集url为 http://www.mzitu.com/56918 ，发现该图集下有47张图片，而且包含图片的页面url也是有规律的，比如包含第1张图片的页面url为 http://www.mzitu.com/56918/1

将每个图集下面的包含图片的页面信息保存到mongodb数据库的image_pages集合中

依次访问图集url，共4500多次请求

2.3 获取图片的真实url

我们通过访问每个包含图片的页面，获取每张图片的真实url，并保存到mongodb数据库的images集合中

依次访问包含图片的页面url，共13万多次请求*

2.4 下载图片

从mongodb数据库的images集合中获取所有图片的真实url，依次下载并保存到本地

依次访问图片的真实url，共13万多次请求

3. 使用

3.1 测试

由于图片有13万多张，所以测试的时候，你可以指定只下载100个图集来对比同步下载、多线程下载和异步下载的效率区别，修改以下三个脚本中的test_num = 100

建议每次测试完，都删除相关目录：

(venv3) [root@centos python3-concurrency-pics-02]# rm -rf downloads/ logs/ __pycache__/

删除数据库记录：

(venv3) [root@centos python3-concurrency-pics-02]# mongo
mongodb shell version v3.6.6
connecting to: mongodb://127.0.0.1:27017
...
> show dbs
admin   0.000gb
config  0.000gb
local   0.000gb
mzitu   0.036gb
> use mzitu
switched to db mzitu
> db.dropdatabase()
{ "dropped" : "mzitu", "ok" : 1 }
> show dbs
admin   0.000gb
config  0.000gb
local   0.000gb
>

(1) 依序下载

(venv3) [root@centos python3-concurrency-pics-02]# python sequential.py

(2) 多线程下载

(venv3) [root@centos python3-concurrency-pics-02]# python threadpool.py

(3) 异步下载

(venv3) [root@centos python3-concurrency-pics-02]# python asynchronous.py

3.2 后台运行爬虫脚本

全站下载虽然只有13万多张图片，但章节分析过，总请求数差不多有30万次，所以耗时比较久，为防止不小心关闭shell客户端而导致ssh断开，将使用screen来将脚本运行为后台任务：

[root@centos ~]# yum -y install screen
[root@centos ~]# screen -dms spider
[root@centos ~]# screen -r spider
[root@centos ~]# cd /root/python3-concurrency-pics-02
[root@centos python3-concurrency-pics-02]# source venv3/bin/activate
(venv3) [root@centos python3-concurrency-pics-02]# python asynchronous.py

脚本运行的过程中，按ctrl + a + d即可将任务切换到后台运行，此时再关闭shell客户端也没影响了。等待大约2小时后：

[root@centos ~]# screen -r spider

即可查看下载的结果，如果有失败的请求，很正常，再次执行脚本即可

Python3爬虫系列：理论+实验+爬取妹子图实战

(venv3) [root@centos python3-concurrency-pics-02]# ls -lr downloads/ | grep '^-' | wc -l
138217
(venv3) [root@centos python3-concurrency-pics-02]# du -sh downloads/
16g downloads/

3.3 定时任务自动每日更新

[root@centos ~]# crontab -e
执行上述命令后，将打开vim编辑器，新增如下两行内容：

# 爬取 www.mzitu.com 美女图片
30 23 * * * /usr/bin/python3 /root/python3-concurrency-pics-02/asynchronous.py

将在每天晚上23:30分自动执行爬虫脚本，查看cron定时任务是否执行：

[root@centos ~]# tail -f /var/log/cron
aug 27 23:30:01 centos crond[6256]: (root) cmd (/usr/bin/python3 /root/python3-concurrency-pics-02/asynchronous.py)
aug 27 23:30:01 centos crond[6257]: (root) cmd (/usr/lib64/sa/sa1 1 1)

更多cron知识请参考：http://www.madmalls.com/blog/post/how-to-schedule-tasks-in-linux-with-at-and-cron/

上一篇：程序员之殇：而立之年，何处何从？

下一篇： MSSQL 数据库 buildindex 出错