python3 爬取斗图啦网站的表情包图片

爬取斗图啦网的表情包

前一阵子在网易云课堂学习了一些关于爬虫的教程,现在来实践一下,当做练习。本人小白,初学编程,如有错误,望不吝告之,多谢。

本人使用的是python3.6版本,引用里的注释是为了记忆相关爬虫模块的知识,请忽略,
相关代码如下:

from urllib import request
import requests
from bs4 import BeautifulSoup
import os
from urllib.error import URLError
# from urllib.request import ProxyHandler, build_opener



headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
}

def get_imgurl_list(url):
    req = requests.get(url=url, headers=headers)
    response = req.text
    soup = BeautifulSoup(response, 'lxml')
    # 找出带有相关class的img标签
    imgurl_list = soup.find_all('img', attrs={'class':'img-responsive lazy image_dta'})
    return imgurl_list

def save_imgs(list):
    for img in list:
        try:
            # 获取图片的源地址
            photo_url = img['data-original']
            # 给图片命名为 .jpg 或 .gif
            filename = img['alt'] + photo_url[-4:]
            # 将图片保存到指定目录
            path = os.path.join('D:/images', filename)
            # 开始用request.urlretrieve(photo_url, path)时出现403错误,可能是有反爬虫机制,后改为加上请求头的Request
            resp = request.Request(photo_url, headers=headers)
            data = request.urlopen(resp).read()
            with open(path, 'wb') as f:
                f.write(data)
        except URLError as e:
            print(e)

def main():
	# 此地址是到‘斗图啦’里的‘最新表情’里得到
    base_url = 'http://www.doutula.com/photo/list/?page='
    # 我只爬取了前四页,数字4可以更改
    for x in range(1, 4):
        url = base_url + str(x)
        save_imgs(get_imgurl_list(url))

if __name__ == '__main__':
    main()

如果要爬取大量图片可以改用多线程爬取,相对效率能高一些:

from urllib import request
import requests
from bs4 import BeautifulSoup
import os
# from urllib.request import ProxyHandler, build_opener
from urllib.error import URLError
import threading


BASE_URL = 'http://www.doutula.com/photo/list/?page='
PAGE_URL_LIST = []
FACE_URL_LIST = []

for x in range(1, 5):
    url = BASE_URL + str(x)
    PAGE_URL_LIST.append(url)

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'
}
gLock = threading.Lock()

def get_imgurl_list():
    while True:
        gLock.acquire()
        if len(PAGE_URL_LIST) == 0:
            gLock.release()
            break
        else:
            page_url = PAGE_URL_LIST.pop()
            gLock.release()
            req = requests.get(url=page_url, headers=headers)
            response = req.text
            soup = BeautifulSoup(response, 'lxml')
            # 找出带有相关class的img标签,这里返回数据需要通过迭代或list
            imgurl_list = soup.find_all('img', attrs={'class':'img-responsive lazy image_dta'})
            gLock.acquire()
            for img in imgurl_list:
                url = img['data-original']
                FACE_URL_LIST.append(url)
            gLock.release()

def save_imgs():
    while True:
        gLock.acquire()
        if len(FACE_URL_LIST) == 0:
            gLock.release()
            continue
        else:
            face_url = FACE_URL_LIST.pop()
            gLock.release()
            try:

                # 这里没有上面代码的命名方法好
                filename = face_url[-14:]
                # 将图片保存到指定目录
                path = os.path.join('D:/images', filename)
                # 由于斗图啦网有反爬虫,所以需要加上请求头
                resp = request.Request(face_url, headers=headers)
                data = request.urlopen(resp).read()
                with open(path, 'wb') as f:
                    f.write(data)
            except URLError as e:
                print(e)

def main():
    # 创建3个线程来获取图片地址
    for i in range(3):
        t = threading.Thread(target=get_imgurl_list)
        t.start()
    # 创建4个线程来下载图片
    for i in range(4):
        t = threading.Thread(target=save_imgs)
        t.start()


if __name__ == '__main__':
    main()

运行第一个程序后,获得图片 如下, 在使用多线程爬取时,爬取一定图片后,出现了很长的等待时间,我给中断了,可能爬取过快网站采取了相关的反爬虫机制。

继续努力

  • 2
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 2
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值