zoukankan      html  css  js  c++  java
  • 案例学python——案例一:抓图

    最近项目不那么紧张,有时间来研究一下Python,先前断断续续的自学了一段时间,有些浅基础。刚好在码云上看到比较适合的案例,跟着案例再往前走一波。

    案例一:爬虫抓图

    开发工具:PyCharm    脚本语言:Python  3.7.1  开发环境:Win10  爬取网站:妹子图

    # Win下直接装的 python3
    pip install bs4、pip install requests
    # Linux python2 python3 共存
    pip3 install bs4、pip3 install requests

    pip list 查看库
    
    

     

    导库说明

    # 导入requests库   导入目的:负责发送网络请求
    import requests
    # 导入文件操作库OS  导入目的:读写
    import os
    # bs4全名BeautifulSoup,是编写python爬虫常用库之一,主要用来解析html标签。  性能据说可能差了点,入门级凑合着用吧。
    import bs4
    from bs4 import BeautifulSoup
    # 基础类库
    import sys
    # Python 3.x 解决中文编码问题
    import importlib
    importlib.reload(sys)

    先上源代码:

    #coding=utf-8
    #!/usr/bin/python
    # 导入requests库
    import requests
    # 导入文件操作库
    import os
    import bs4
    from bs4 import BeautifulSoup
    import sys
    import importlib
    importlib.reload(sys)
    
    
    # 给请求指定一个请求头来模拟chrome浏览器
    global headers
    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'}
    # 爬图地址
    mziTu = 'http://www.mzitu.com/'
    # 定义存储位置
    global save_path
    save_path = 'G:BeautifulPictures'
    
    
    # 创建文件夹
    def createFile(file_path):
        if os.path.exists(file_path) is False:
            os.makedirs(file_path)
        # 切换路径至上面创建的文件夹
        os.chdir(file_path)
    
    
    # 下载文件
    def download(page_no, file_path):
        global headers
        res_sub = requests.get(page_no, headers=headers)
        # 解析html
        soup_sub = BeautifulSoup(res_sub.text, 'html.parser')
        # 获取页面的栏目地址
        all_a = soup_sub.find('div',class_='postlist').find_all('a',target='_blank')
        count = 0
        for a in all_a:
            count = count + 1
            if (count % 2) == 0:
                print("内页第几页:" + str(count))
                # 提取href
                href = a.attrs['href']
                print("套图地址:" + href)
                res_sub_1 = requests.get(href, headers=headers)
                soup_sub_1 = BeautifulSoup(res_sub_1.text, 'html.parser')
                # ------ 这里最好使用异常处理 ------
                try:
                    # 获取套图的最大数量
                    pic_max = soup_sub_1.find('div',class_='pagenavi').find_all('span')[6].text
                    print("套图数量:" + pic_max)
                    for j in range(1, int(pic_max) + 1):
                        # print("子内页第几页:" + str(j))
                        # j int类型需要转字符串
                        href_sub = href + "/" + str(j)
                        print(href_sub)
                        res_sub_2 = requests.get(href_sub, headers=headers)
                        soup_sub_2 = BeautifulSoup(res_sub_2.text, "html.parser")
                        img = soup_sub_2.find('div', class_='main-image').find('img')
                        if isinstance(img, bs4.element.Tag):
                            # 提取src
                            url = img.attrs['src']
                            array = url.split('/')
                            file_name = array[len(array)-1]
                            # print(file_name)
                            # 防盗链加入Referer
                            headers = {'Referer': href}
                            img = requests.get(url, headers=headers)
                            # print('开始保存图片')
                            f = open(file_name, 'ab')
                            f.write(img.content)
                            # print(file_name, '图片保存成功!')
                            f.close()
                except Exception as e:
                    print(e)
    
    
    # 主方法
    def main():
        res = requests.get(mziTu, headers=headers)
        # 使用自带的html.parser解析
        soup = BeautifulSoup(res.text, 'html.parser')
        # 创建文件夹
        createFile(save_path)
        # 获取首页总页数
        img_max = soup.find('div', class_='nav-links').find_all('a')[3].text
        # print("总页数:"+img_max)
        for i in range(1, int(img_max) + 1):
            # 获取每页的URL地址
            if i == 1:
                page = mziTu
            else:
                page = mziTu + 'page/' + str(i)
            file = save_path + '\' + str(i)
            createFile(file)
            # 下载每页的图片
            print("套图页码:" + page)
            download(page, file)
    
    
    if __name__ == '__main__':
        main()

     

     代码分析:

    if __name__ == '__main__':
        main()

     这段代码啥意思呢?

    if __name__ == '__main__'的意思是:当.py文件被直接运行时,if __name__ == '__main__'之下的代码块将被运行;当.py文件以模块形式被导入时,if __name__ == '__main__'之下的代码块不被运行。 
    如果没有这段代码 主方法main()也就无法被直接运行,可以简单先理解为启动主方法的入口。

    然后我们再看主方法

    # 主方法
    def main():
        res = requests.get(mziTu, headers=headers)        
    // 我们可以从这个对象res中获取所有我们想要的信息 下行res.text 就是当前页面的html信息 具体看对应API
    # 使用自带的html.parser解析 soup = BeautifulSoup(res.text, 'html.parser')
    //html字符串创建BeautifulSoup对象 此处可以soup.title soup.title.name soup.title.string soup.a['href'] soup.p['class'] 不嫌事多,你可以打印出来看看,具体看对应API
    # 创建文件夹 createFile(save_path) //创建目标文件夹,作用当然用来存爬到的资源 # 获取首页总页数 img_max = soup.find('div', class_='nav-links').find_all('a')[3].text # print("总页数:"+img_max) for i in range(1, int(img_max) + 1): # 获取每页的URL地址 if i == 1: page = mziTu else: page = mziTu + 'page/' + str(i) file = save_path + '\' + str(i) createFile(file) # 下载每页的图片 print("套图页码:" + page) download(page, file)

    核心代码

    res = requests.get(mziTu, headers=headers)
    soup = BeautifulSoup(res.text, 'html.parser')以上两段代码我们基本上拿到了以下html信息的全部
     
    # 获取首页总页数
        img_max = soup.find('div', class_='nav-links').find_all('a')[3].text
     第一步:soup.find('div',class='nav-links')取到class='nav-links'的div 
     
     第二步:.find_all('a') 在该div内取全部的<a></a>标签 为一个数组
      
    第三步:.find_all('a')[3] 取第四个<a></a>标签 数组下标从0开始

    第四步:.find_all('a')[3].text 取得页码总数 也就是 200

     for i in range(1, int(img_max) + 1):
            # 获取每页的URL地址
            if i == 1:
                page = mziTu
            else:
                page = mziTu + 'page/' + str(i)
            file = save_path + '\' + str(i)
            createFile(file)
            # 下载每页的图片
            print("套图页码:" + page)
            download(page, file)

    这段理解起来很简单
    第一步:创建存放文件夹 此处save_path="G:BeautifulPictures
    um"  num=[1,200] 程序运行后,此目录有源源不断的图片纷至杳来。
    第二步:拼接源文件(每一张图片)路径?目标是此,但此处具体到每一页(路径是:http://www.mzitu.com/page/num  num=[1,200]),还没深入到每一个专题。要想具体到每一张只能继续往下爬,此处可移步download(page,file)方法。


    例如现在num=4 经过download()方法就可以具体到每一张图片了 下面分析download()方法
    # 下载文件
    def download(page_no, file_path):
        global headers
        res_sub = requests.get(page_no, headers=headers)
        # 解析html
        soup_sub = BeautifulSoup(res_sub.text, 'html.parser')
        # 获取页面的栏目地址
        all_a = soup_sub.find('div',class_='postlist').find_all('a',target='_blank')
        count = 0
        for a in all_a:
            count = count + 1
            if (count % 2) == 0:
                print("内页第几页:" + str(count))
                # 提取href
                href = a.attrs['href']
                print("套图地址:" + href)
                res_sub_1 = requests.get(href, headers=headers)
                soup_sub_1 = BeautifulSoup(res_sub_1.text, 'html.parser')
                # ------ 这里最好使用异常处理 ------
                try:
                    # 获取套图的最大数量
                    pic_max = soup_sub_1.find('div',class_='pagenavi').find_all('span')[6].text
                    print("套图数量:" + pic_max)
                    for j in range(1, int(pic_max) + 1):
                        # print("子内页第几页:" + str(j))
                        # j int类型需要转字符串
                        href_sub = href + "/" + str(j)
                        print(href_sub)
                        res_sub_2 = requests.get(href_sub, headers=headers)
                        soup_sub_2 = BeautifulSoup(res_sub_2.text, "html.parser")
                        img = soup_sub_2.find('div', class_='main-image').find('img')
                        if isinstance(img, bs4.element.Tag):
                            # 提取src
                            url = img.attrs['src']
                            array = url.split('/')
                            file_name = array[len(array)-1]
                            # print(file_name)
                            # 防盗链加入Referer
                            headers = {'Referer': href}
                            img = requests.get(url, headers=headers)
                            # print('开始保存图片')
                            f = open(file_name, 'ab')
                            f.write(img.content)
                            # print(file_name, '图片保存成功!')
                            f.close()
                except Exception as e:
                    print(e)

    假设num=4 ,此时 

    page_no='http://www.mzitu.com/page/4'
    

     经过request.get(),发送get请求,再被BeautifulSoup解析我们就拿到了下面的html代码

        res_sub = requests.get(page_no, headers=headers)
        # 解析html
        soup_sub = BeautifulSoup(res_sub.text, 'html.parser')

    然后我们很容易看到我们的目标文件是,id='pins'下的所有<a></a>标签,如下图。此herf只具体到每一个小姐姐的第一张照片,还不能具体到小姐姐的每一张照片。没关系,点击链接进去,再看看。

    此时我们再看

    再扒一层就到具体的每一张图片的地址了,读一波,写一波f.write(img.content),一波走起,保存本地,

    然后看本地的战利品:请爱惜自己的身体

     

     个人小小的赶脚,爬虫抓包,找到你需要下载的每一个路径,一步步去按标签爬,保存本地。貌似也挺简单的哈。第一次跑Python代码,不好的地方见笑。

    源代码码云地址:https://gitee.com/52itstyle/Python  感兴趣的一起学一波,组个队。

     

     

     

    补充:如果是Python2.7版本的话

    import importlib
    importlib.reload(sys)

    替换成下面的导入可解决Python版本不同导致的编码问题

    import imp
    imp.reload(sys)
    sys.setdefaultencoding('utf8')

     

     

  • 相关阅读:
    利用Javascript制作网页特效(其他常见特效)
    利用Javascript制作网页特效(窗口特效)
    利用Javascript制作网页特效(图像特效)
    利用Javascript制作网页特效(时间特效)
    Javascript的事件
    js部分知识整理,google浏览器的代码调试
    前端之页面布局
    使用 html5 svg 绘制图形
    写了placement new也要写placement delete
    CxAudit 提升安全分析
  • 原文地址:https://www.cnblogs.com/slowcity/p/Python.html
Copyright © 2011-2022 走看看