Python3 爬取帅哥图

最新推荐文章于 2024-05-10 12:24:07 发布

Spider-紫罗兰

最新推荐文章于 2024-05-10 12:24:07 发布

阅读量798

点赞数

分类专栏： Python

Python 专栏收录该内容

7 篇文章 0 订阅

订阅专栏

此爬虫用的是基于 urllib3的第三方库 requests
网页原地址：http://www.shuaia.net/index.html

下载第三方库 requests :

pips install requests

爬取单面目标链接

通过 Inspect element 发现目标地址存储在 class 属性为 "item-img" 的 <a> 标签的 href 属性中，获取到目标地址后，相当于点击图片之后进入了网页本身的页面，然后根据下一个页找到下一个页面地址。在 <a>标签里面 <img> 标签里也有个链接，但它是首页的浏览缩略图，不是高清的。

代码如下：

from bs4 import BeautifulSoup
import requests

if __name__ == '__main__':
    url = 'http://www.shuaia.net/index.html'
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
    }
    req = requests.get(url=url, headers=headers)
    req.encoding = 'utf-8'
    html = req.text
    bs = BeautifulSoup(html, 'lxml')
    targets_url = bs.find_all(class_="item-img")
    list_url = []
    for each in targets_url:
        list_url.append(each.img.get('alt') + '=' + each.get('href'))
    print(list_url)

这样就获取到了首页的图片链接

爬取多页目标链接

翻到第 2 页的时候，很容易就发现地址变为了：http://www.shuaia.net/index_2.html ，第 3 页为：http://www.shuaia.net/index_3.html，后面的以此类推。

获取前19页的链接，改造代码如下：

from bs4 import BeautifulSoup
import requests

if __name__ == '__main__':
    list_url = []
    for num in range(1, 20):
        if num == 1:
            url = 'http://www.shuaia.net/index.html'
        else:
            url = 'http://www.shuaia.net/index_%d.html' % num
        headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
        }
        req = requests.get(url=url, headers=headers)
        req.encoding = 'urf-8'
        html = req.text
        bs = BeautifulSoup(html, 'lxml')
        targets_url = bs.find_all(class_='item-img')
        for each in targets_url:
            list_url.append(each.img.get('alt') + ': ' + each.get('href'))
    print(list_url)

单张图片下载

进入目标地址 Inspect element ，可以看到图片地址保存在 class 属性为"wr-single-content-list" 的 div->p->a->img 的 src 属性中。

代码如下：

from bs4 import BeautifulSoup
import requests
from urllib.request import urlretrieve
import os

target_url = 'http://www.shuaia.net/wenshennan/2017-05-04/1289.html'
filename = '花纹身衬托完美肌肉的欧美男' + '.jpg'
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
}
img_req = requests.get(url=target_url, headers=headers)
img_req.encoding = 'utf-8'
img_html = img_req.text
img_bf = BeautifulSoup(img_html, 'lxml')
img_url = img_bf.find_all('div', class_='wr-single-content-list')

img_bf1 = BeautifulSoup(str(img_url), 'lxml')
img_url = 'http://www.shuaia.net' + img_bf1.div.img.get('src')
if 'images' not in os.listdir():
    os.makedirs('images')
urlretrieve(url=img_url, filename='images/' + filename)
print('下载完成')

图片保存在程序文件所在的目录 images 文件夹里。

多张图片下载（整体代码）

此方法简单但速度慢。服务器有防爬虫程序，所以不能爬的太快，每下载一张图片需要加 1 秒的延时，否则会被服务器断开连接。

from bs4 import BeautifulSoup
import requests
from urllib.request import urlretrieve
import os
import time

if __name__ == '__main__':
    list_url = []
    for num in range(1, 10):
        if num == 1:
            url = 'http://www.shuaia.net/index.html'
        else:
            url = 'http://www.shuaia.net/index_%d.html' % num
        headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
        }
        req = requests.get(url=url, headers=headers)
        req.encoding = 'urf-8'
        html = req.text
        bs = BeautifulSoup(html, 'lxml')
        targets_url = bs.find_all(class_='item-img')
        for each in targets_url:
            list_url.append(each.img.get('alt') + ': ' + each.get('href'))
    print('链接采集完成')

    for each_img in list_url:
        img_info = each_img.split(': ')
        targets_url = img_info[1]
        filename = img_info[0] + '.jpg'
        print('正在下载：' + filename)
        headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
        }
        img_req = requests.get(url=targets_url, headers=headers)
        img_req.encoding = 'utf-8'
        img_html = img_req.text
        img_bf = BeautifulSoup(img_html, 'lxml')
        img_url = img_bf.find_all('div', class_='wr-single-content-list')

        img_bf1 = BeautifulSoup(str(img_url), 'lxml')
        img_url = 'http://www.shuaia.net' + img_bf1.div.img.get('src')
        if 'images' not in os.listdir():
            os.makedirs('images')
        if each_img is False:   #为了防止出现异常情况
            continue
        urlretrieve(url=img_url, filename='images/' + filename)
        time.sleep(1)   #有时可以试试不做延时
    print('下载完成')

这是最终下载好的图片：