爬两千张妹子图，我只需要10行代码！这就是Python的魅力

2. 每页 20 条数据。

图片所在标签与页面地址

图片所在标签位置代码如下：

• 页面地址为 /desk/23397.htm。

  整理需求如下

  1. 生成所有列表页 URL 地址；

  2. 遍历列表页 URL 地址，并获取图片详情页地址；

  3. 进入详情页获取大图；

  4. 保存图片；

  5. 得到 2000 张图片之后，开始欣赏。

  代码实现时间

  提前安装完毕 requests 模块，使用 pip install requests 即可，如果访问失败，切换国内 pip 源。

  留个课后小作业，如何设置全局的 pip 源。

  代码结构如下：

  import requests

  抓取函数

  def main():

  pass

  解析函数

  def format():

  pass

  存储函数

  def save_image():

  pass

  if __name__ == ‘__main__’:

  main()

  先实现 10 行代码抓美女图，举个例子，在正式开始前，需要略微了解一些前端知识与正则表达式知识。

  例如通过开发者工具查看网页，得到图片素材都在 <div class="list"> 和 <div class="page"> 这两个标签中，首先要做的就是拆解字符串，取出目标数据部分。

  

  通过 requests 对网页源码进行获取，代码如下。

  # 抓取函数

  def main():

  url = “http://www.netbian.com/mei/index.htm”

  headers = {

  “User-Agent”: “Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36”

  }

  res = requests.get(url=url, headers=headers, timeout=5)

  res.encoding = “GBK”

  print(res.text)

  使用 requests 模块的 get 方法即可获取网页数据，其中的参数分别是请求地址，请求头，等待时间。

  请求头字段中的 User-Agent，可以先使用我提供给你的内容，也可以通过开发者工具，进行获取。

  在数据返回 Response 对象之后，通过 res.encoding="GBK" 设置了数据编码，该值可以从网页源码中获取到。

  

  请求到数据源码，即开始解析数据，如果使用正则表达式，建议先对目标数据进行一些简单的裁剪工作。

  裁剪字符串是 Python 中比较常规的操作了，直接编写代码即可实现。

  用到的还是上文已经提及的两个字符串。

  # 解析函数

  def format(text):

  处理字符串

  div_html = ‘

  ’

  page_html = ‘

  ’

  start = text.find(div_html) + len(div_html)

  end = text.find(page_html)

  origin_text = text[start:end]

  最终得到的 origin_text 就是我们的目标文本。

  通过 re 模块解析目标文本

  上文返回的目标文本如下所示，本小节的目标就是获取到图片详情页地址。

  

  使用的技术是 re 模块，当然需要配合正则表达式进行使用，对于正则表达式，可以跟随橡皮擦一点点的接触。

  # 解析函数

  def format(text):

  处理字符串

  div_html = ‘

  ’

  page_html = ‘

  ’

  start = text.find(div_html) + len(div_html)

  end = text.find(page_html)

  origin_text = text[start:end]

  pattern = re.compile(‘href=“(.*?)”’)

  hrefs = pattern.findall(origin_text)

  print(hrefs)

  其中 re.compile 方法中传递的就是正则表达式，它是一种检索字符串特定内容的语法结构。 例如 . ：表示除换行符（\n、\r）之外的任何单个字符； *：表示匹配前面的子表达式零次或多次； ?：当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时，匹配模式是非贪婪的，非贪婪就是减少匹配； ()：分组提取用。有这些知识之后，在回到代码中去看实现。

  

  假设存在一个字符串：href=“/desk/23478.htm”，使用 href=“(.*?)” 可以将其中的 /desk/23478.htm 匹配出来，括号的作用也是为了后续方便提取。

  最后输出内容如下图所示。

  

  清洗爬取结果

  其中存在部分链接地址不正确，需要从列表中进行去除，本步骤使用列表生成器即可完成任务。

  pattern = re.compile(‘href=“(.*?)”’)

  hrefs = pattern.findall(origin_text)

  hrefs = [i for i in hrefs if i.find(“desk”)>0]

  print(hrefs)

  抓取内页数据

  获取到列表页地址之后，就可以对图片内页数据进行获取了，这里用到的技术与前文逻辑一致。

  # 解析函数

  def format(text, headers):

  处理字符串

  div_html = ‘

  ’

  自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

  深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

  因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。
  
  
  
  
  
  

  既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

  由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

  如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）
  

  

  感谢每一个认真阅读我文章的人，看着粉丝一路的上涨和关注，礼尚往来总是要有的：

  ①　2000多本Python电子书（主流和经典的书籍应该都有了）

  ②　Python标准库资料（最全中文版）

  ③　项目源码（四五十个有趣且经典的练手项目及源码）

  ④　Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）

  ⑤ Python学习路线图（告别不入流的学习）

  s=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaWd1aWd1,size_16,color_FFFFFF,t_70)

  感谢每一个认真阅读我文章的人，看着粉丝一路的上涨和关注，礼尚往来总是要有的：

  ①　2000多本Python电子书（主流和经典的书籍应该都有了）

  ②　Python标准库资料（最全中文版）

  ③　项目源码（四五十个有趣且经典的练手项目及源码）

  ④　Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）

  ⑤ Python学习路线图（告别不入流的学习）