当我们想要下载网页的图片时,发现网页的图片太多了,无从下手,那我们写一个脚本来爬取呗。
这次的脚本是专门针对某个外国网站使用的,因此仅供参考思路。
半自动版
在测试的过程中,我发现网站使用了发爬虫机制,具体就是JavaScript动态渲染html代码,你中间使用python抓包没有JavaScript渲染过,所以BeautiSoup就不能解析HTML里面的<img>标签中的带有完整图片链接的src属性。
当我们关闭浏览器的JavaScript,网页就拒绝显示了,因此如何绕过这个是个问题。
实话实说,我没从代码层面绕过JavaScript动态渲染,但是我们如果在python中加入这个功能的目的是什么?不就是为了找到完整的、带有<img>标签的HTML源码嘛
那我们直接用现有的呗!在哪里?
这不就得到了!然后我们把这个源码放进一个txt文件中,python读取这个文件不就行啦?
import requests
from bs4 import BeautifulSoup
import selenium
from selenium import webdriver
import time
import winsound
#模拟浏览器行为,绕过简单的反爬虫机制
options = webdriver.ChromeOptions()
options.add_argument("Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.6312.59 Safari/537.36")
driver = webdriver.Chrome(options=options)
# 设置代理和自定义请求头,因为我爬的是外网,所以加了代理
proxies = {
'http': 'http://192.168.43.244:7890',
'https': 'http://192.168.43.244:7890',
}
#设置请求头部,这里我用burp抓包抓的头部,更加模拟真实用户请求
headers = {
'User-Agent': "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.6312.59 Safari/537.36",
'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
'Accept-Encoding': 'gzip, deflate, br',
'Upgrade-Insecure-Requests': '1',
'Sec-Fetch-Dest': 'document',
'Sec-Fetch-Mode': 'navigate',
'Sec-Fetch-Site': 'none',
'Sec-Fetch-User': '?1',
'Te': 'trailers',
'Connection': 'close',
}
# 定义文件(图片)下载路径
download_folder = 'E:/XXX/YYY/'
# 从文件中读取HTML内容,这里的111.txt是为了让BeautifulSoup读取的
file_path = 'D:/XXX/111.txt'
with open(file_path, 'r', encoding='utf-8') as file:
html_content = file.read()
# 使用 BeautifulSoup 解析HTML内容
soup = BeautifulSoup(html_content, 'html.parser')
# 查找所有的img标签并获取其src属性值
img_tags = soup.find_all('img')
image_links = [tag.get('src') for tag in img_tags]
# 定义用于存储访问结果的列表
access_results = []
# 遍历所有图片链接并尝试访问
for link in image_links:
try:
response = requests.get(link, headers=headers, proxies=proxies)
if response.status_code == 200:
access_results.append(f'Successfully accessed: {link}')
#下载图片
file_name = link.split('/')[-1]
# 拼接保存路径
save_path = download_folder + file_name
with open(save_path, 'wb') as f:
f.write(response.content)
print(f'Downloaded: {file_name}')
else:
access_results.append(f'Failed to access: {link}, Status code: {response.status_code}')
except requests.exceptions.RequestException as e:
access_results.append(f'Failed to access: {link}, Error: {e}')
# 输出访问结果
for result in access_results:
print(result)
winsound.Beep(1000, 500) # 爬取完毕响铃提示
直接运行,可以看到下载成功了,当然在运行过程中,因为网络问题会出现下载失败的问题,可以多运行几次,进行覆盖。
虽然这算是个半自动爬虫,但是在网页有很多图片的时候,会大大提高效率,这种手动绕过JavaScript动态渲染也是初学者可以使用的思路。
全自动版
当然我觉得这样太慢,后来又补充了一个版本,是全自动化的了。
这次使用了selenium这个库,来进行等待JavaScript渲染,你可以一次下载多个网页,只需要把图片存放的路径和每个页面的url一一对应存放即可。如图所示
这是源码:
import requests
from bs4 import BeautifulSoup
import selenium
from selenium import webdriver
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.support.ui import WebDriverWait
import time
import winsound
import os
from selenium.webdriver.common.by import By
#模拟浏览器
with open('E:/path.txt', 'r', encoding='utf-8') as path_file, open('E:/urls.txt', 'r',encoding='utf-8') as url_file:
paths = path_file.readlines()
urls = url_file.readlines()
if len(paths) != len(urls):
raise ValueError('URL和路径的数量不一致')
for path, url in zip(paths, urls):
download_folder = path.strip()
url = url.strip()
print(download_folder)
options = webdriver.ChromeOptions()
options.add_argument(
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.6312.59 Safari/537.36")
driver = webdriver.Chrome(options=options)
driver.get(url)
wait = WebDriverWait(driver, 30)
wait.until(EC.visibility_of_element_located((By.TAG_NAME, 'img')))
html = driver.page_source
img = driver.page_source
file_path = 'E:/111.txt'
with open(file_path, 'w', encoding='utf-8') as f: #覆盖写入
f.write(html)
print('网页HTML已保存到文件中')
# 设置代理和自定义请求头
proxies = {
'http': 'http://192.168.43.242:7890',
'https': 'http://192.168.43.242:7890',
}
headers = {
'User-Agent': "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.6312.59 Safari/537.36",
'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
'Accept-Encoding': 'gzip, deflate, br',
'Upgrade-Insecure-Requests': '1',
'Sec-Fetch-Dest': 'document',
'Sec-Fetch-Mode': 'navigate',
'Sec-Fetch-Site': 'none',
'Sec-Fetch-User': '?1',
'Te': 'trailers',
'Connection': 'close',
}
# 定义文件下载路径
if os.path.exists(download_folder):
print("文件夹已经存在!")
else:
os.makedirs(download_folder) #自动创建文件夹
# 从文件中读取HTML内容
with open(file_path, 'r', encoding='utf-8') as file:
html_content = file.read()
# 使用 BeautifulSoup 解析HTML内容
soup = BeautifulSoup(html_content, 'html.parser')
# 查找所有的img标签并获取其src属性值
img_tags = soup.find_all('img')
image_links = [tag.get('src') for tag in img_tags]
# 定义用于存储访问结果的列表
access_results = []
# 遍历所有图片链接并尝试访问,如果失败,下载第二次
for link in image_links:
response = requests.get(link, headers=headers, proxies=proxies)
if response.status_code == 200:
access_results.append(f'Successfully accessed: {link}')
#下载图片
file_name = link.split('/')[-1]
# 拼接保存路径
save_path = download_folder + file_name
with open(save_path, 'wb') as f:
f.write(response.content)
print(f'Downloaded: {file_name}')
else:
access_results.append(f'Failed to access: {link}, Status code: {response.status_code}')
print("重新下载一遍!")
response = requests.get(link, headers=headers, proxies=proxies)
if response.status_code == 200:
access_results.append(f'Successfully accessed: {link}')
# 下载图片
file_name = link.split('/')[-1]
# 拼接保存路径
save_path = download_folder + file_name
with open(save_path, 'wb') as f:
f.write(response.content)
print(f'Downloaded: {file_name}')
else:
print(f"第二次下载{link}失败")
# 输出访问结果
for result in access_results:
print(result)
winsound.Beep(1000, 1000) # 参数分别为频率和持续时间(以毫秒为单位)
运行:
可以看到网站的图片被下载了,并且python开启的浏览器也渲染出了图片。
这样就可以爬取你想要的图片并且节省大量时间了。