2024年Python最全爬两千张妹子图，我只需要10行代码！这就是Python的魅力！，2024年最新记得把每一次面试当做经验积累英语

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

• 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 = ‘

  ’

  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)

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

  for href in hrefs:

  url = f"http://www.netbian.com{href}"

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

  res.encoding = “GBK”

  format_detail(res.text)

  break

  在第一次循环中增加了 break，跳出循环，format_detail 函数用于格式化内页数据，依旧采用格式化字符串的形式进行。

  由于每页只有一张图片是目标数据，故使用的是 re.search 进行检索，同时调用该对象的 group 方法对数据进行提取。

  发现重复代码了，稍后进行优化。

  # 存储函数

  def save_image(image_src):

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

  content = res.content

  with open(f"{str(time.time())}.jpg", “wb”) as f:

  f.write(content)

  得到的第一张图片，贴到博客中记录。

  最后

  不知道你们用的什么环境，我一般都是用的Python3.6环境和pycharm解释器，没有软件，或者没有资料，没人解答问题，都可以免费领取（包括今天的代码），过几天我还会做个视频教程出来，有需要也可以领取~

  给大家准备的学习资料包括但不限于：

  Python 环境、pycharm编辑器/永久激活/翻译插件

  python 零基础视频教程

  Python 界面开发实战教程

  Python 爬虫实战教程

  Python 数据分析实战教程

  python 游戏开发实战教程

  Python 电子书100本

  Python 学习路线规划

  

  网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

  需要这份系统化学习资料的朋友，可以戳这里获取

  一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！