上一篇文章介绍的是爬取每个页面的封面图片
例如,每一个有18个目录,即18张封面图,总共11个网面,即198张图片
本篇介绍爬取每页目录里的图片,并且保存在目录文件夹里
例如:第一个目录酸甜好吃的桑葚图片有11张图,
第二个目录软糯可口的提拉米苏蛋糕图片有19张图。。。。
首先分析打开目录时,页面的网址,以第一页面为例
例如:
https://www.ivsky.com/tupian/fructus_mori_v57990/
https://www.ivsky.com/tupian/tiramisu_v57986/
https://www.ivsky.com/tupian/caomei_v57945/
https://www.ivsky.com/tupian/hanbaobao_shutiao_v57946/
https://www.ivsky.com/tupian/zhima_v57942/
https://www.ivsky.com/tupian/kafeidou_v57925/
。。。。。。。。。。。。。
发现规律了没
前面都没有变,后面是文目录的名字
查看html源代码
这些加上域名https://www.ivsky.com就组成了子目录的网页
以第一个目录为例
https://www.ivsky.com/tupian/fructus_mori_v57990/
因此,接下来要做的就是获取这些目录,然后拼接子目录网页的url
for subdir in page.find_all('div', class_='il_img'):
dirname = subdir.a.attrs['href'] #/tupian/shiliu_v57845/
completeurl = "https://www.ivsky.com" + dirname #子页面
接着定一个函数处理子页面里的图片
即
def spidersubdir(suburl, page):
然后分析网页,获下图片路径,下载图片,源码如下:
""""
brief:使用BeautifulSoup和request爬天堂网的图片
封面图及目录下的所有图片
author:chenyijun
date:2020-02-19
"""
import requests
from bs4 import BeautifulSoup
import re
import urllib
import urllib.request
import os
from time import strftime, localtime
import datetime
#创建目录
#1、os.path.exists(path) 判断一个目录是否存在
#2、os.makedirs(path) 多层创建目录
#3、os.mkdir(path) 创建目录
def pmkdir(dir):
dir = dir.strip() #去除首位空格
dir = dir.rstrip("\\") #去除尾部\符号
#判断路径是否存, 存在 True 不存在 False
isExists = os.path.exists(dir)
#判断结果
if not isExists:
#如果不存在则创建目录
os.makedirs(dir)
#print(dir + "创建成功")
return True;
else:
#如果目录存在则不创建,并提示目录存在
#print(dir + "目录存在")
return False
def cbk(a, b, c):
'''''回调函数
@a:已经下载的数据块
@b:数据块的大小
@c:远程文件的大小
'''
per=100.0*a*b/c
if per>100:
per=100
print ('%.2f%%' % per)
print(" ")
url = 'https://www.ivsky.com/tupian/meishishijie/' #取一个图片目录 美食世界
headers ={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.3427.400 QQBrowser/9.6.12513.400','Referer':'http://www.ivsky.com/tupian/qita/index_11.html'}
html = requests.get(url, headers = headers) #获取网页内容
#print(html) #太多了,打印不出来
soup = BeautifulSoup(html.text,'html.parser')
#爬取子目录里的图片
def spidersubdir(suburl, page):
dirname = suburl.split('/')[-2]
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.3427.400 QQBrowser/9.6.12513.400',
'Referer': 'http://www.ivsky.com/tupian/qita/index_11.html'}
html = requests.get(suburl, headers=headers)
mess = BeautifulSoup(html.text, 'html.parser')
# 查找标签为'ul', class属性为'pli'的标签元素,因为class是python的关键字,所以这里需要加个下划线'_'
dircout = 0 #目录个数
for subpage in mess.find_all('ul', class_='pli'):
imgcount = 0 #图片个数
for subdirimg in subpage.find_all('div', class_='il_img'):
print(subdirimg)
imgurl = subdirimg.find_all('img') #获取含img标签的数组
imgurl0 = imgurl[0] #数组元数里只有一个值
imgpath = imgurl0.get('src') #单个图片路径
imgname = imgpath.split('/')[-1] #获取图片名称
imgcount += 1;
save_dir = os.getcwd() + "/tiantang/page" + str(page) + '/' + dirname # 保存目录
isExists = os.path.exists(save_dir) # 判断目录是否存在
if not isExists:
pmkdir(save_dir) # 目录不存在,创建目录
save_path = save_dir + "/" + imgname # 拼接图片保存路径
imghttp = 'https:' + imgpath # 拼按图片的url路径
urllib.request.urlretrieve(imghttp, save_path, cbk) #图片下载
dircout += 1
print('dircout=========' + str(dircout) + ' dirname==' + dirname)
def spidertupian():
print(os.getcwd()) #获取当前工作目录路径
print(os.path.abspath('.')) #获取当前工作目录路径
print(os.path.abspath('..')) #获取当前工作的父目录 !注意是父目录路径
print(os.path.abspath(os.curdir)) #获取当前工作目录路径
for i in range(1, 12):
link = url +'/index_'+str(i)+'.html'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.3427.400 QQBrowser/9.6.12513.400',
'Referer':'http://www.ivsky.com/tupian/qita/index_11.html'}
html = requests.get(link, headers=headers)
mess = BeautifulSoup(html.text, 'html.parser')
# 查找标签为'ul', class属性为'ali'的标签元素,因为class是python的关键字,所以这里需要加个下划线'_'
for page in mess.find_all('ul', class_='ali'):
print("---------------------------")
#获取目录,为避免重复,放到元组或列表里
for subdir in page.find_all('div', class_='il_img'):
dirname = subdir.a.attrs['href'] #/tupian/shiliu_v57845/
completeurl = "https://www.ivsky.com" + dirname
spidersubdir(completeurl, i) #爬取子目录的图片 i表示页码
print('===========================================================')
#下载封面图
for img in page.find_all('img'): #文件夹的url
print(img)
imgurl = img.get('src') #获取src字段_
image_name = imgurl.split('/')[-1] #获取图片名
save_dir = os.getcwd() + "/tiantang/titlepage" + str(i) #每一页对应一个目录
isExists = os.path.exists(save_dir) #判断目录是否存在
if not isExists:
pmkdir(save_dir) # 目录不存在,创建目录
save_path = save_dir + "/" + image_name #拼接图片保存路径
imghttp = 'https:' + imgurl #拼按图片的url路径
urllib.request.urlretrieve(imghttp, save_path, cbk) #封面图下载
#break #单页测试
if __name__ == '__main__':
start = datetime.datetime.now()
spidertupian()
end = datetime.datetime.now()
print(end - start)
#html格式化文档网站
#https://tool.oschina.net/codeformat/
最后得到的结果为: