一、什么是爬虫
什么是爬虫?爬虫是蜘蛛么?是八爪鱼么?nonono。
爬虫是指请求网站并获取数据的自动化程序,又称网页蜘蛛或网络机器,最常用领域是搜索引擎,最常用的工具是八爪鱼。
它的基本流程分为以下五部分,依次是:
明确需求——发送请求——获取数据——解析数据——存储数据。
爬虫的三大特点:
- 网页都有唯一的URL(统一资源定位符,也就是网址)进行定位
- 网页都使用HTML(定位超文本标记语言)来描述页面信息
- 网页都使用HTTP/HTTPS(超文本传输协议)协议来传输HTML数据
爬虫可以由什么编写呢:
编写爬虫的语言有很多,但用的最多最广的还应该是Python,并且也诞生了很多优秀的库和框架,如scrapy、BeautifulSoup 、pyquery、Mechanize等。但是一般来说,搜索引擎的爬虫对爬虫的效率要求更高,会选用c++、java、go(适合高并发)。
二、爬虫前期准备工作
1、准备一台性能良好的电脑
电脑要求:windows7以上,内存四核8G以上
2、安装python环境
python官网下载地址:
https://www.python.org/downloads/release/python-395/
安装流程:
请自行百度。
3、安装所需要的扩展
咱们主要使用以下四个扩展:
import os # python自带扩展不需要安装 import requests # pip install requests from urllib import request # python自带扩展不需要安装 from bs4 import BeautifulSoup # 安装命令:pip install bs4
4、查找一个可读取源码的图片网站
注意注意:此链接仅供学习参考,请勿非法批量爬取,任何不听劝阻,一意孤行者,如若产生违法乱纪之事,请自行承担。(开发不易,且行且珍惜)
抓取图片的地址:https://www.umei.cc/meinvtupian/meinvxiezhen/
三、分析网站源码
1、分析源码,得到获取源码的三个方向(编码格式、请求方式、header请求头)
- windows默认是gbk的编码格式,网页一般默认是utf-8的编码,所以直接用windows电脑抓取网页内容信息的时候可能会遇到乱码的问题,所以请求的时候统一编码格式保证数据不乱吗
- 请求方式有post、get、put等方式校验,所以选择对的请求方式获取页面信息,如果不争取可能会出现404找不到页面或者500服务器错误
- header请求头包含很多阴性信息,如果我们常见的,如:反爬机制、token校验、cookie校验等等
2、查找列表页的唯一节点
3、根据图片排版,查找源码规律(相同的li标签获取节点)
4、获取列表的最后一页,获取最后一页的页码(NewPages节点下的尾页,代表最后141页)
根据图片分页的页码地址规律,我们能得到(特别注意:第一页不能使用 index_1.htm 来查询):
https://www.umei.net/meinvtupian/meinvxiezhen/ 第一页没有index
https://www.umei.net/meinvtupian/meinvxiezhen/index_2.htm
https://www.umei.net/meinvtupian/meinvxiezhen/index_3.htm
https://www.umei.net/meinvtupian/meinvxiezhen/index_4.htm
https://www.umei.net/meinvtupian/meinvxiezhen/index_5.htm
https://www.umei.net/meinvtupian/meinvxiezhen/index_6.htm
https://www.umei.net/meinvtupian/meinvxiezhen/index_7.htm
https://www.umei.net/meinvtupian/meinvxiezhen/index_8.htm
https://www.umei.net/meinvtupian/meinvxiezhen/index_9.htm
......
5、根据每一个图片链接,进入图片详情
根据上题3可以看出,图片详情的地址为: https://www.umei.net/meinvtupian/meinvxiezhen/233941.htm
6、查找图片详情的地址规律,获取所有的详情子图片地址
根据图片详情可以查看出来每一个子图片的详情地址: https://www.umei.net/meinvtupian/meinvxiezhen/233941.htm https://www.umei.net/meinvtupian/meinvxiezhen/233941_2.htm https://www.umei.net/meinvtupian/meinvxiezhen/233941_3.htm https://www.umei.net/meinvtupian/meinvxiezhen/233941_4.htm https://www.umei.net/meinvtupian/meinvxiezhen/233941_5.htm https://www.umei.net/meinvtupian/meinvxiezhen/233941_6.htm https://www.umei.net/meinvtupian/meinvxiezhen/233941_7.htm https://www.umei.net/meinvtupian/meinvxiezhen/233941_8.htm https://www.umei.net/meinvtupian/meinvxiezhen/233941_9.htm
7、根据地址抓取图片流,保留本地
根据题6获取的图片地址进行爬取图片信息,保存到本地,页面分析到此结束,废话不多说,直接上代码,赶紧抓取。
四、开始编写我们的爬虫脚本
1、封装式代码
#!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2021/06/06 14:48 # @Author : Liu # @Site : # @File : 美图小姐姐.py # @Software: PyCharm import requests import time import os import re from urllib import request from bs4 import BeautifulSoup url_address = "https://www.umei.cc" def get_url_path(url): """ 获取地址内容信息 :param url: :return: """ # time.sleep(1) # 获取源码的时候睡眠一秒 obj = requests.get(url) obj.encoding = obj.apparent_encoding return obj.text def get_page_info(): """ 抓取每页信息 :return: """ nums = int(input("输入抓取的页数:")) for i in range(nums): if i < 1: url = f"{ url_address }/meinvtupian/meinvxiezhen/" else: url = f"{ url_address }/meinvtupian/meinvxiezhen/index_{i + 1}.htm" ret = get_url_path(url) # 获取页面信息 get_bs4(ret) # 逐页抓取页面信息 print(f"第{i+1}页完成") pass def get_bs4(ret): soup = BeautifulSoup(ret, "html.parser") li_list = soup.select(".TypeList")[0].find_all(name="li") for i in li_list: # 先获取第一张图片 img_src = url_address + i.a["href"] ret1 = get_url_path(img_src) # 获取页面信息 get_image_info(ret1, i.a.span.string, 1) # print(ret1) # 获取分页后的页面图片数量 # script_reg = r'<script type="text/javascript">Next("d+","(?P<num>d+)",.*?)</script>' script_reg = r'<a href="/meinvtupian/meinvxiezhen/(?P<num>[0-9_]+).htm">尾页</a>' num_str = re.search(script_reg, ret1, re.S).group("num") page_num = int(num_str.split("_")[1]) # 获取图片数量 img_lst = os.path.basename(i.a["href"]).split(".") # 获取图片的后缀 img_dir = os.path.dirname(i.a["href"]) # 获取图片的地址路径 for j in range(2, page_num+1): img_src = f"{ url_address }{img_dir}/{img_lst[0]}_{j}.{img_lst[1]}" res = get_url_path(img_src) # 获取页面信息 get_image_info(res, i.a.span.string, j) def get_image_info(ret, name, i): soup = BeautifulSoup(ret, "html.parser") img = soup.select(".ImageBody img")[0] image_path = img["src"] # 获取图片地址 image_name = name # 获取图片中文所属 img_name = f"{image_name}_{i}.{os.path.basename(image_path).split('.')[1]}" # 获取图片真实名字 # 图片存储 image_dir = f"girl/{image_name}" if not os.path.isdir(image_dir): os.makedirs(image_dir) # 远程打开图片写入到本地 第一种方式open # with open(f"{image_dir}/{img_name}", mode="wb") as add: # add.write(requests.get(image_path).content) # 远程打开图片写入到本地 第二种方式urllib request.urlretrieve(image_path, filename=f"{image_dir}/{img_name}") print("已经开始执行了,可能需要等待一会,请您耐心等待!") begin_time = int(time.time()) get_page_info() end_time = int(time.time()) print(f"当前脚本执行了{end_time - begin_time}秒") print("执行已经结束了")
2、简单的爬取首页展示图片代码
import os import requests from bs4 import BeautifulSoup from urllib import request url_address = 'https://www.umei.cc' list_url = url_address + '/meinvtupian/meinvxiezhen/' obj = requests.get(list_url) obj.encoding = obj.apparent_encoding content = obj.text
# 格式化页面 soup = BeautifulSoup(content, 'html.parser') li_soup = soup.select(".TypeList")[0].findAll("li") dir = "./girls/" for i in li_soup: if not os.path.isdir(dir): os.makedirs(dir) img_path = i.img["src"] img_suffix = os.path.basename(img_path).split('.')[1] img_url = dir + i.span.string + '.' + img_suffix request.urlretrieve(img_path, img_url)