python爬虫15 | 害羞，用多线程秒爬那些万恶的妹纸们，纸巾呢？

有时候

 

只是在人群中多看了一眼

 

就再也没办法忘掉那些容颜

 

小帅b在普通的一天

 

上着普通的网

 

不小心打开了一个不太普通的网站

 

https://www.mzitu.com/

 

 

从此进入了不普通的一天

 

看着不普通的妹纸

 

动起了不普通的心思

 

 

恩

 

这么多妹纸

 

不爬取下来

 

可惜了

 

那么

 

接下来就是

 

学习 python 的正确姿势

 

 

首先我们来分析一下

 

打开这个妹纸的网站首页

 

可以看到一共有 211 页

 

 

其中

 

每一页有不同妹纸的主图

 

再点击进去就是每个妹纸的详情组图

 

每一个妹纸的组图中的图片数量不同

 

比如其中一个妹纸就有 46 张

 

够了

 

 

 

我们回到首页

 

看一下源代码

 

可以发现

 

每一页的每一个妹纸都被放在 li 标签里面了

 

再来

 

当我们点击第 2 页的时候

 

可以发现 URL 变了

 

https://www.mzitu.com/page/2/

 

这个我们遇到很多次了

 

直接当做变量处理

 

所以第一个思路就是拿到每一个页面的所有妹纸的地址

 

在这里

 

我们可以使用 for 循环来获取每一页的内容

 

用 bs4 获取每一个地址然后放到 urls 里面去

 

def get_page_urls():
    for i in range(1,212):        baseurl = 'https://www.mzitu.com/page/{}'.format(i)        html = request_page(baseurl)        soup = BeautifulSoup(html, 'lxml')        list = soup.find(class_='postlist').find_all('li')        urls=  []        for item in list:            url =item.find('span').find('a').get('href')            urls.append(url)    return urls

 

在这里 212 页太多了

 

小帅b来获取一页的数据

 

运行一下得到第一页每个妹纸的 URL 

 

https://www.mzitu.com/171304https://www.mzitu.com/175090https://www.mzitu.com/171608https://www.mzitu.com/171795https://www.mzitu.com/171041https://www.mzitu.com/175154https://www.mzitu.com/170736https://www.mzitu.com/174947https://www.mzitu.com/174762https://www.mzitu.com/170806https://www.mzitu.com/174433https://www.mzitu.com/174860https://www.mzitu.com/173541https://www.mzitu.com/173063https://www.mzitu.com/173109https://www.mzitu.com/173760https://www.mzitu.com/170563https://www.mzitu.com/170263https://www.mzitu.com/166044https://www.mzitu.com/173721https://www.mzitu.com/168454https://www.mzitu.com/171747https://www.mzitu.com/173845https://www.mzitu.com/173635

 

恩

 

下一步

 

拿到每一页的每个妹纸的地址之后

 

当然是要从每个地址进去

 

获取每个妹纸的所有组图

 

 

遍历一下刚刚获取到的 list

 

    for url in list_page_urls:        download(url)

 

那么进入一个妹纸的详情页面的时候

 

我们需要获取

 

组图的所有图片数量

 

组图的名称（真特么sao）

 

图片的地址

 

 

知道了这些信息之后

 

我们就可以很简单获取了

 

def download(url):    html = request_page(url)    soup = BeautifulSoup(html, 'lxml')    total = soup.find(class_='pagenavi').find_all('a')[-2].find('span').string    title = soup.find('h2').string    image_list = []    for i in range(int(total)):        html = request_page(url + '/%s' % (i + 1))        soup = BeautifulSoup(html, 'lxml')        img_url = soup.find('img').get('src')        image_list.append(img_url)    download_Pic(title, image_list)

 

在这里我们获取了 total 总页数

 

获取到了组图题目 title

 

根据总页数进行遍历

 

一个页面可以获取到组图中的一张图片

 

然后我们把这些图片都放到组图集合中

 

接着就可以开始下载了

 

我们可以根据这个组图的名字来创建文件夹

 

然后将下载的图片放进去

 

def download_Pic(title, image_list):    # 新建文件夹    os.mkdir(title)    j = 1    # 下载图片    for item in image_list:        filename = '%s/%s.jpg' % (title,str(j))        print('downloading....%s : NO.%s' % (title,str(j)))        with open(filename, 'wb') as f:            img = requests.get(item,headers=header(item)).content            f.write(img)        j+=1

 

 

ok

 

我们运行一下吧

 

 

可以看到

 

每张图片都被我们爬下来了

 

名字太他妈引入犯罪

 

 

小帅b不得不打马赛克

 

反正你们阅片无数

 

心中自然无码

 

打开文件夹可以看到

 

每一个美女都根据组图生成文件夹

 

每个文件夹就是组图里面的图片

 

 

我这马赛克打得是不是很棒？

 

 

但其实

 

发现我们在爬的时候

 

有点慢了

 

还记不记得上次摸鱼提到的多线程？

 

python爬虫14 | 就这么说吧，如果你不懂多线程和线程池，那就去河边摸鱼！

 

恩

 

我们来开启多线程试试

 

根据我们一开始获取到每个页面的多个妹纸的 URL 来使用线程池

 

def download_all_images(list_page_urls):    # 获取每一个详情妹纸    works = len(list_page_urls)    with concurrent.futures.ThreadPoolExecutor(works) as exector:        for url in list_page_urls:            exector.submit(download,url)

 

这次我们再爬取试试看

 

 

可以看到这次就不是一组一组的爬了

 

而是多个线程同时爬取多个组图

 

OMG

 

我的文件夹

 

 

 

 

 

不行了

 

我赶紧删掉

 

完整代码

 

公众号发送「mm」获取吧

 

警告

本文仅作为学习例子

你别乱来啊

 

咱们下回见

 

peace

 

 

 

      点个好看啊~~（破音）