多线程自动翻页爬虫

昨天晚上爬完安心的躺在床上，一想不对劲，我爬的只是小图，点进去之后会有高清图，怎么能放过？   好 今天换个口味  制服美女吧

let's do it

 神清气爽

由于图片比较多，然后一个图集爬完，切另一个会有些开销。就用一下多线程，对主站上的30位佳丽，并发爬区，可大大加快速度。引入多线程的库。（里面也有多进程）

from concurrent import futures

由于用多线程，即使有睡眠，可能请求还是会过于频繁，我可不想被封ip，于是我找了几个浏览器的User-Agent，存在一个list里，每次请求图片随机选择User-Agent，这样可以一定程度上避免被搞。

# 收集到的常用Header
my_headers = [
    "Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.153 Safari/537.36",
    "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:30.0) Gecko/20100101 Firefox/30.0",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_2) AppleWebKit/537.75.14 (KHTML, like Gecko) Version/7.0.3 Safari/537.75.14",
    "Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.2; Win64; x64; Trident/6.0)",
    'Mozilla/5.0 (Windows; U; Windows NT 5.1; it; rv:1.8.1.11) Gecko/20071127 Firefox/2.0.0.11',
    'Opera/9.25 (Windows NT 5.1; U; en)',
    'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)',
    'Mozilla/5.0 (compatible; Konqueror/3.5; Linux) KHTML/3.5.5 (like Gecko) (Kubuntu)',
    'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.8.0.12) Gecko/20070731 Ubuntu/dapper-security Firefox/1.5.0.12',
    'Lynx/2.8.5rel.1 libwww-FM/2.14 SSL-MM/1.4.1 GNUTLS/1.2.9',
    "Mozilla/5.0 (X11; Linux i686) AppleWebKit/535.7 (KHTML, like Gecko) Ubuntu/11.04 Chromium/16.0.912.77 Chrome/16.0.912.77 Safari/535.7",
    "Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:10.0) Gecko/20100101 Firefox/10.0 "
]

 准备工作差不多了，下一步就是获得进入每个图集的url，注意这个与上一篇的src是不一样的， 上一篇src是封面小图的图片数据，这次要获取的是进入链接。

 

每个封面都是在一个a标签里，而href字段就是我们要的链接，其实它不是一个真正的链接 https都没有。 先点击下左边的图片

 

可以发现上面的href字段正好是接在主网站后面的，所以一会哪这个链接进行下字符串处理就行了。

 　　url = 'https://www.85814.com/meinv/zhifumeinv/'
    link_base ='https://www.85814.com/'

xpath里面填的相信看过上一篇的应该都清楚怎么找了这里就不详细说了，附上一篇链接 https://www.cnblogs.com/hao11/p/11706502.html

　　我们先写主函数， 然后对每个图集分别调用download函数，只要传url和存放地址就行了（不同图集分开存放）

def main():
    url = 'https://www.85814.com/meinv/zhifumeinv/'
    link_base ='https://www.85814.com/'
    rootdirnames = url.split('/')[-2] + '/'
    if not os.path.exists(rootdirnames):    #根路径，路径不存在的话自动创建  需要import os
        os.makedirs(rootdirnames)
    #请求主站
    resp = requests.get(url, headers=headers,timeout=10,verify=False)
    html = etree.HTML(resp.text)
    #获取主页面中，进入个人图集的路径
    Inner_Link = html.xpath('.//p[@id="l"]/a/@href')
    # 多线程,开50个，对主页面中30个图片进行并发处理下载
    ex = futures.ThreadPoolExecutor(max_workers=30)
    num = 1         #用来给路径命名
    #对每一个图集分别处理
    for url_inner in Inner_Link:
        time.sleep(0.2)
        #拼接出单个图集的url
        url = link_base +url_inner
        dirname = '{}/{}/'.format(rootdirnames,str(num))
        if not os.path.exists(dirname):
            os.makedirs(dirname)
        #多线程  第一个参数是函数名，后面接收的是第一个传入函数的参数表，此处只是提交线程
        ex.submit(download_pack, url, dirname)
        #download_pack(url, dirname)        #单线程模式，注释多线程，开单线程可以比较下速度
        num = num + 1

主函数已经写好了，接下来 分析每个图集里面是怎么构成的，点进去

 开启元素审查，可以找到高清图的src也就是数据放的地方，图片的xpath为 .//dd[@class="p"]/p/img/@src，好现在能爬一张，但是一个图集有很多张，怎么分别爬去呢，看下面

 都是有固定套路，第几张后面就接数字，第一张有点不同，代码处理下就ok。用一个num 往上加，知道response 不是200就退出，也就是这个图集爬完了，看代码

def download_pack(url,dirname):
    #随机选择伪装成的浏览器
    headers['User-Agent'] = random.choice(my_headers)
    cur_num = 2;
    while url:
        resp_Inner = requests.get(url, headers=headers,timeout=10,verify=False)
        if resp_Inner.status_code != 200:
            print("{} download over!".format(url.split('_')[0]))
            break
        html_Inner = etree.HTML(resp_Inner.text)
        src = html_Inner.xpath('.//dd[@class="p"]/p/img/@src')
        #请求图片
        # 通过xpath获得的src是一个list,只有一个值取0就行了
        img = requests.get(src[0], headers=headers, timeout=10, verify=False)
        #可以看下src到底是个什么 .jpg后面接了一个！800  此处去掉  获得文件名
        filename = src[0].split('/')[-1].split('!')[0]
        print(filename)
        with open('{}/{}'.format(dirname,filename),'wb') as file:
            file.write(img.content)
        #下一个url 用cur_num去实现“翻页”。
        if 2==cur_num:
            url =  "{}_{}.html".format(url.split('.html')[0],cur_num)
        else:
            url = "{}_{}.html".format(url.split('_')[0], cur_num)
        cur_num=cur_num+1

好 执行main函数  会在当前路径创建一个路径来保存图片。当然还有很多可以改进的地方，比如说翻页可以用上一个图集一直翻，还有文件的名字可以用中文（涉及字符转换，目前对这一块不是很熟，学习后再做），还有可以同用不同的请求头一样用建立一个ip池，代理ip网上还是很多免费的。学习到了再来分享。

一个简单的爬虫就完成了。

学习尚浅，有错误或不当之处还请指正。