03_多协程爬取糗事百科热图

今天在使用正则表达式时未能解决实际问题，于是使用bs4库完成匹配，通过反复测试，最终解决了实际的问题，加深了对bs4.BeautifulSoup模块的理解。

爬取流程

前奏：

分析糗事百科热图板块的网址，因为要进行翻页爬取内容，所以分析不同页码的网址信息是必要的

具体步骤：

１，获取网页内容（urllib.request）# 糗事百科有发爬虫技术，所以要添加headers,伪装程浏览器

２，解析网页内容，获取图片链接（from bs4 import BeautifulSoup）

３，通过图片链接下载图片（urllib.request），并存储到本地

备注：

具体的爬取说明在代码都有详细的解释

import urllib.request
import requests
from bs4 import BeautifulSoup
# import re
import gevent
from gevent import monkey
import bs4

monkey.patch_all()


def get_html_text(url, raw_html_text, depth):

    # 爬取网页数据

    # 糗事百科有反爬虫机制，需要设置请求头伪装成浏览器
    hd = ('User-Agent','Mozilla/5.0(Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Ch    rome/49.0.2623.22 Safari/537.36 SE 2.X MetaSr 1.0')

    # 创建opener对象
    opener = urllib.request.build_opener()
    opener.addheaders = [hd]

    # 将opener对象设置为全局
    urllib.request.install_opener(opener)

    # 翻页爬取html_text
    for i in range(depth):
        # 根据对网址的分析，构造符合翻页时的网址
        url_real = url + str(i+1)
        try:
            html_data = urllib.request.urlopen(url_real).read().decode('utf-8', 'ignore')
            raw_html_text.append(html_data)
            # 测试代码
            # print(len(html_data))
        except Exception as result:
            print('错误类型：', result)
    
    print('提取网页信息完成...')
    return raw_html_text
    # 测试代码         
    # print(len(raw_html_text))


def parser_html_text(raw_html_text, done_img):

    # 对爬取的网页数据进行遍历

    for html_text in raw_html_text:
        # 使用BeautifulSoup对网页进行解析
        soup = BeautifulSoup(html_text, 'html.parser')
        # 使用soup.find_all('div','thumb') 查找出每个网页中所有标签是div,属性值是thumb的标签
        # 通过对网页源代码的分析，图片信息都存储在该标签下的孙子标签img中的属性src中
        # 遍历每个div标签
        for tag in soup.find_all('div', 'thumb'):
            # 判断 tag 是否是bs4.element.Tag属性，因为在标签div下，并不是全部是标签
            if isinstance(tag, bs4.element.Tag):
                # 遍历每个div标签下的所有孙子标签
                for img in tag.descendants:
                    # 判断标签的名字是不是‘img’,如果是,取出标签中属性src的属性值。
                    if img.name == 'img':
                        link = img.get('src')
                        done_img.append(link)
    #测试代码
    #print(done_img)
    print('网页解析完成...')
    return done_img

def save_crawler_data(done_img):
    # 将目标文本存储到本地‘./’表示当前目录
    path = './img/'
    # enumerate(list) 返回索引及索引对应的列表内的元素
    for i,j in enumerate(done_img):
        # 分析爬取的链接，前面缺少‘https:’,使用字符串拼接
        j ='https:' + j
        # 通过urllib.request.urlopen()下载图片
        try:
            img_data = urllib.request.urlopen(j).read()
            path_real = path + str(i+1)
            with open(path_real, 'wb') as f:
                f.write(img_data)
        except:
            continue
    print('图片存储完成')


def main():
    url = 'https://www.qiushibaike.com/imgrank/page/'
    depth = 20
    raw_html_text = list()
    done_img = list()
    Raw_html_text = get_html_text(url, raw_html_text, depth)
    Done_img = parser_html_text(Raw_html_text, done_img)
    gevent.joinall([
        gevent.spawn(get_html_text,url,raw_html_text,depth),
        gevent.spawn(parser_html_text,Raw_html_text,done_img),
        gevent.spawn(save_crawler_data,Done_img)
        ])

    save_crawler_data(done_img)


if __name__ == '__main__':
    main()