小白福利!跟着我的脚步!老司机带你爬取整站妹…

2018-07-16 02:50:37来源:博客园 阅读 ()

新老客户大回馈,云服务器低至5折

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

准备工作

工具:Python3.6、pycharm

库:requests、re、time、random、os

目标网站:妹子图(具体url大家自己去代码里看。。。)

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

在写代码之前

在我们开始写代码之前,要先对网站进行分析,重点有这个几个地方:

1、先判断网页是否静态网页,这个关系我们采用的爬虫手段!

简单的说,网页中的内容,在网页源代码中都可以找到,那么就可以断定,这个网站是静态的了;如果没有找到,就需要去开发者工具中查找,看看是抓包呢还是分析js结构或者其他的方式。

2、看看网页的结构,大致清楚抓取目标数据,需要几层循环,每次循环的方式,以及是否保证没有遗漏!

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

开始写代码

首先是导入上述的各种库,没有的需要安装一下!然后写入以下几行代码获取网页源代码看看是否有反爬:

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

全部在a标签的属性中,那么我们可以用一行代码获取了

infos = re.findall(r'a href="(http://www.meizitu.com/.*?html)" target="_blank" title="(.*?)" ',html.text)

这里用正则匹配,2个括号中的内容就是我们需要的url和名字了,然后开始构建循环遍历所有的分类

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

上一步取出的infos是列表,而且每一个元素都是一个元组,格式为(url,名字),所有我们用2个元素去遍历infos,来获取我们需要的内容,先打印下看看结果是否正确!

这里先不创建文件夹,先进行下一步,访问分类的url,然后开始构建分类中的页码吧!分析网页发现,所有的页码都在下方,但是还是稍有不同:没有当前页、多了下一页和末页

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

由于存在图集不足一页的情况(上述源代码就不会出现),所以我们这么处理循环

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

循环所有的url,获取所有图集的url列表,27行没有用encoding指定编码是因为这里我不需要取到中文的内容,所以简写了一下!终于该取图片了!

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

图集的title和图集内所有图片的url都取到了!其实到这里就已经完成了爬虫的80%了!剩下的20%就是保存图片到本地,这里就不多说了,给大家提供2个代码片段,一个是新建文件夹并判断是否存在,一个是剔除字符串内不符合命名要求的字符

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

最终完整代码和运行效果

在请求中加入了时间模块的暂停功能,不加入的话可能会被网页拒绝访问!

在最后请求图片地址的时候,需要加入UA来告诉服务器你是浏览器而不是脚本,这个是最常用的反爬手段了

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

下载一段时间后的效果

小白福利!跟着我的脚步!老司机带你爬取整站妹子图!反爬不存在

 

相信大家应该也做出你自己的脚本了吧!有什么问题也可以在评论区或者私信发消息哦!

进群:125240963   即可获取数十套PDF哦!

标签:

版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点,本站所提供的摄影照片,插画,设计作品,如需使用,请与原作者联系,版权归原作者所有

上一篇:统计算法_1

下一篇:码农眼中的数学之~矩阵专栏(附Numpy讲解)