热点指南

投稿
首页 > 科技 > 用Python爬取了妹子网100G的套图，值得收藏

用Python爬取了妹子网100G的套图，值得收藏

热点指南• 2020-04-11 14:43:57• 科技• 阅读 523


图

前言
最近在做监控相关的配套设施，发现很多脚本都是基于Python的。很早之前就听说其大名，人生苦短，我学Python，这并非一句戏言。随着人工智能、机器学习、深度学习的崛起，目前市面上大部分的人工智能的代码 大多使用Python 来编写。所以人工智能时代，是时候学点Python了。进军指南对于没有任何语言开发经验的同学，建议从头系统的学起，无论是书、视频还是文字教程都可以。
注意：很多人学Python过程中会遇到各种烦恼问题，没有人解答容易放弃。为此我建了个python学习资源群里面有最新学习资料，如果你想学python,可以关注我，后台私信我 ‘py’ 自动获取最新python教程资料！还有老司机解答哦！
如果是有其他语言开发经验的同学，建议从一个案例入手，比如爬取某个网站的套图。因为语言都是想通的，语法之类的只要你要语感，代码基本能读个八九不离十。所以不建议有经验的开发者从头学起，无论是视频还是书，对于开始学一门语言来说都是太浪费时间了。当然，等你深入进去以后，还是要系统的去学习，这是后话。
案例实现步骤以妹子图为例，其实很简单，分以下四步：

  • 获取首页的页码数，并创建与页码对应的文件夹
  • 获取页面的栏目地址
  • 进入栏目，获取栏目页码数(每个栏目下有多张图片，分页显示)
  • 获取到栏目下对用标签中的图片并下载

注意事项爬取过程中，还需要注意以下几点，可能对你有所帮助：1）导库，其实就类似于Java中框架或者是工具类，底层都被封装好了安装第三方库

  1. # Win下直接装的 python3
  2. pip install bs4、pip install requests
  3. # Linux python2 python3 共存
  4. pip3 install bs4、pip3 install requests

导入第三方库

  1. # 导入requests库
  2. import requests
  3. # 导入文件操作库
  4. import os
  5. # bs4全名BeautifulSoup，是编写python爬虫常用库之一，主要用来解析html标签。
  6. import bs4
  7. from bs4 importBeautifulSoup
  8. # 基础类库
  9. import sys
  10. # Python 3.x 解决中文编码问题
  11. import importlib
  12. importlib.reload(sys)

2）定义方法函数，一个爬虫可能会几百行，所以尽量不要写成一坨

  1. def download(page_no, file_path):
  2. # 这里写代码逻辑

3）定义全局变量

  1. # 给请求指定一个请求头来模拟chrome浏览器
  2. global headers # 告诉编译器这是全局变量 headers
  3. headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36'}
  4. # 函数内使用之前需要
  5. # 告诉编译器我在这个方法中使用的a是刚才定义的全局变量 headers ，而不是方法内部的局部变量。
  6. global headers

4）防盗链有些网站加入了防盗链，无所不能的 python 解决方案

  1. headers = {'Referer': href}
  2. img = requests.get(url, headers=headers)

5）切换版本Linux服务器使用的是阿里云服务器，默认版本 python2，python3 自行安装

  1. [root@AY140216131049Z mzitu]# python2 -V
  2. Python2.7.5
  3. [root@AY140216131049Z mzitu]# python3 -V
  4. Python3.7.1
  5. # 默认版本
  6. [root@AY140216131049Z mzitu]# python -V
  7. Python2.7.5
  8. # 临时切换版本
  9. [root@AY140216131049Z mzitu]# alias python='/usr/local/bin/python3.7'
  10. [root@AY140216131049Z mzitu]# python -V
  11. Python3.7.1

6）异常捕获在爬取的过程中可能存在异常页面，这里我们进行捕获，不影响后续操作

  1. try:
  2. # 业务逻辑
  3. exceptExceptionas e:
  4. print(e)

代码实现编辑脚本：vi mzitu.py

  1. #coding=utf-8
  2. #!/usr/bin/python
  3. # 导入requests库
  4. import requests
  5. # 导入文件操作库
  6. import os
  7. import bs4
  8. from bs4 importBeautifulSoup
  9. import sys
  10. import importlib
  11. importlib.reload(sys)
  12. # 给请求指定一个请求头来模拟chrome浏览器
  13. global headers
  14. headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36'}
  15. # 爬图地址
  16. mziTu = 'http://www.mzitu.com/'
  17. # 定义存储位置
  18. global save_path
  19. save_path = '/mnt/data/mzitu'
  20. # 创建文件夹
  21. def createFile(file_path):
  22. if os.path.exists(file_path) isFalse:
  23. os.makedirs(file_path)
  24. # 切换路径至上面创建的文件夹
  25. os.chdir(file_path)
  26. # 下载文件
  27. def download(page_no, file_path):
  28. global headers
  29. res_sub = requests.get(page_no, headers=headers)
  30. # 解析html
  31. soup_sub = BeautifulSoup(res_sub.text, 'html.parser')
  32. # 获取页面的栏目地址
  33. all_a = soup_sub.find('div',class_='postlist').find_all('a',target='_blank')
  34. count = 0
  35. for a in all_a:
  36. count = count + 1
  37. if (count % 2) == 0:
  38. print("内页第几页：" + str(count))
  39. # 提取href
  40. href = a.attrs['href']
  41. print("套图地址：" + href)
  42. res_sub_1 = requests.get(href, headers=headers)
  43. soup_sub_1 = BeautifulSoup(res_sub_1.text, 'html.parser')
  44. # ------ 这里最好使用异常处理 ------
  45. try:
  46. # 获取套图的最大数量
  47. pic_max = soup_sub_1.find('div',class_='pagenavi').find_all('span')[6].text
  48. print("套图数量：" + pic_max)
  49. for j in range(1, int(pic_max) + 1):
  50. # print("子内页第几页：" + str(j))
  51. # j int类型需要转字符串
  52. href_sub = href + "/" + str(j)
  53. print(href_sub)
  54. res_sub_2 = requests.get(href_sub, headers=headers)
  55. soup_sub_2 = BeautifulSoup(res_sub_2.text, "html.parser")
  56. img = soup_sub_2.find('div', class_='main-image').find('img')
  57. if isinstance(img, bs4.element.Tag):
  58. # 提取src
  59. url = img.attrs['src']
  60. array = url.split('/')
  61. file_name = array[len(array)-1]
  62. # print(file_name)
  63. # 防盗链加入Referer
  64. headers = {'Referer': href}
  65. img = requests.get(url, headers=headers)
  66. # print('开始保存图片')
  67. f = open(file_name, 'ab')
  68. f.write(img.content)
  69. # print(file_name, '图片保存成功！')
  70. f.close()
  71. exceptExceptionas e:
  72. print(e)
  73. # 主方法
  74. def main():
  75. res = requests.get(mziTu, headers=headers)
  76. # 使用自带的html.parser解析
  77. soup = BeautifulSoup(res.text, 'html.parser')
  78. # 创建文件夹
  79. createFile(save_path)
  80. # 获取首页总页数
  81. img_max = soup.find('div', class_='nav-links').find_all('a')[3].text
  82. # print("总页数:"+img_max)
  83. for i in range(1, int(img_max) + 1):
  84. # 获取每页的URL地址
  85. if i == 1:
  86. page = mziTu
  87. else:
  88. page = mziTu + 'page/' + str(i)
  89. file = save_path + '/' + str(i)
  90. createFile(file)
  91. # 下载每页的图片
  92. print("套图页码：" + page)
  93. download(page, file)
  94. if __name__ == '__main__':
    main()

脚本在Linux服务器下运行，执行以下命令

  1. python 3 mzitu.py
  2. # 或者后台执行
  3. nohup python3 -u mzitu.py > mzitu.log 2>&1 &

目前只爬取了一个栏目的套图，一共17G，5332张图片。

  1. [root@itstyle mzitu]# du -sh
  2. 17G .
  3. [root@itstyle mzitu]# ll -s
  4. total 5332

下面，请小伙伴们睁大眼睛，鸡冻人心的套图时刻来了。

图

图

作为一个python学者，脚本肯定多多少少有一些问题或者待优化的地方，另外注意：很多人学Python过程中会遇到各种烦恼问题，没有人解答容易放弃。为此我建了个python学习资源群里面有最新学习资料，如果你想学python,可以关注我，后台私信我 ‘py’ 自动获取最新python教程资料！还有老司机解答哦！
本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

Python Chrome 脚本语言 HTML Java 收藏 Linux WebKit 编译器 Windows NT 网络爬虫 浏览器 Windows Gecko 人工智能 Safari Vi 阿里云计算 机器学习

本文来自投稿，不代表本人立场，如若转载，请注明出处：http://www.souzhinan.com/kj/362007.html

赞 (174)
打赏 微信扫一扫
« 上一篇2020-04-11 14:43:56
下一篇 »2020-04-11 14:59:09

相关推荐

×