爬取美女图片保存本地与入MySQL库(宅男福利)

本文详细记录如何爬取美女图片，并将图片下载保存在本地，同时将图片url进行入库。保存在本地肯定是为了没事能拿出来养养眼啊，那入库就是为了定位图片啊，要懂点技术的话，还能搬运搬运做个小图片网站，不为别的，就是养眼和学习！

本文主要讲思路和方法，源码、数据库、图片文件获取方式见文末！

作者博客（图片效果更明显）：https://blog.jiumoz.com/archives/pa-qu-mei-nv-tu-pian-bao-cun-ben-de-yu-ru-mysql-ku

• 先看效果
  

思路部分

---

解析目标网址

大家看上面的截图肯定就发现了，这网址不寻常（手动狗头），现在这些网站国内都很难活的，网站就不贴出来了。

查看网站情况

查看首页可以基本确定数据加载方式，是分页加载的方式

确定分页加载方式

一般就是两种加载方式，一种是直接改变url，就想旧版的微博，就是直接改变url请求新的网页即可，另一种就是ajax，一般涉及到ajax就比较麻烦，可能有token啥的，不过技术而言，都比较简单，请求就完事。

再看本网站，点击加载更多后，浏览器的url并没有改变，说明就是ajax，那么直接F12打开控制台，调到网络栏，清空信息

再点击加载更多，我们想要的东西就有了。

解析分页请求

双击我们抓到的包，查看包的请求网址、请求方法、载荷、响应

• 请求网址

  即为我们发送请求的地址；

• 请求方法

  我们发送请求要用到的方法，很重要，后面写代码就要根据这个来，方法错了请求不到数据；

• 载荷

  查看请求的时候给服务器传递了哪些数据，也很重要，取不取得到正确我们想要的数据就完全看这个内容了；

  

• 响应

  响应的内容就是我们需要的数据，进一步解析就能获得的数据了。

  

到这里就还没解决一个问题，这个问题就是载荷字段的解析，如上可以发现就是四个字段：id、action、type、paged，其实每个字段都比较好理解，不出意外的话，前三个字段就是死的，主要就是paged字段了，为了验证猜测，再请求一下，查看两个包载荷的不同之处就好了。方法一样，这里就不演示了。事实也证明了我们的猜测，改变paged字段就好。

查看网页结构

继续F12，查看元素，就能发现是一个又一个的li标签了，每个li可以点击进入到对应主题的图片详情界面，得到了这个信息就简单了，就很好获取详情页的url了。

但是页面url没变，不可能通过首页这一个url就能获取到全站的内容，所以还得看看上一步抓的包，如下。

是不是和想象中的不一样，这里是直接请求的网页代码而不是数据，那对于我们来说就更简单了，全文用一种url提取方法就好，将data下的html字段转为html对象就行。

图片详情页

前面说那么多，也都是再讲如何提取每个主题的详情url，具体的图片获取还得是进入详情页啊；

点进来看看，进来一看，发现就是一个一个img标签，那更好了，直接提取图片url就好啊。

但是！！！竟然要VIP，细心的小伙伴应该和我一样，并没有慌啊，为什么呢，看下文

解除VIP限制

确切来说是绕开限制,也就是针对本网站有效，属于是瞎猫碰上死耗子。

回到主题，为什么发现有限制的时候不慌呢，大家在看看图片详情页的网页元素，是不是发现了一些猫腻，所有的图片url，就那一点点地方不一样啊，那我们还爬什么网页，直接构造图片url不就得了。

构造图片url

• 思路

看上面的不同之处，就大致知道每个主题下的图片url规律了，那我们知道第一张图片的url后，构建后面图片的url就好嘛，至于构建到多少，首页和详情页都有，如下，构建这么多就好啦！

• 方法

思路很简单，但是构建肯定没那么简单，要确定数字变化的位置、数字的位数、提取数字部分、进行计算、拼接字符串…多看一下网站，会发现这些图片url并不是最后那个数据不一样，并不规则。

但是也不难，就是麻烦点，那就是获取两个url，进行url对比，先提取两个字符串的数字部分形成一个数组，然后对比两个数组中不同的部分，如果不同，获取其下标，根据下标获取到url中那个数字字符串，根据数字字符串进行url分割，再计算和拼接，说的有点泛泛，具体的看代码，此方法还有bug，大家可以再研究一下。

img_id_list1 = re.findall(r"\d+\d*",url1)
img_id_list2 = re.findall(r"\d+\d*", url2)
index = 0
for i in range(len(img_id_list1)):
    if(img_id_list1[i] != img_id_list2[i]):
        index = i
        break
img_id = img_id_list1[index]  #图片末尾标识
img_url_pre = url1.split(img_id)[0] # 提取分割后的前半部分
img_url_end = url1.split(img_id)[1] # 提取分割后的后半部分
for i in tqdm(range(img_num)):
    img_id_int = int(img_id) # 提取的数字字符串转为int型
    img_id_len = len(img_id) # 提取的数字字符串长度
    img_id_main_int = img_id_int + i # 数字+1
    img_id_main_int_len = len(str(img_id_main_int)) # 加1后长度
    img_id_use = '0'*(img_id_len-img_id_main_int_len) + str(img_id_main_int) # 补0
    imgurl = img_url_pre+img_id_use+img_url_end # 得到图片url

代码部分

---

请求主题url与基本信息

很简单，利用request包发送请求，利用JSON包解析得到的数据，再利用lxml模块进行url获取就好啦！部分代码如下，不能直接用哦，断断续续的：

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36'
}


def img_get(page):
    start_url = 'https://XXXXXX/admin-ajax.php'
    data = {
        'id': 0,
        'action': 'postlist_newajax',
        'type': 'index',
        'paged': page
    }
    import json
    try:
        response = requests.post(start_url, headers=headers, data=data)
        # 序列化成json字符串
        json = json.loads(response.text)
        if (json['success'] == 'ok'):
            # 请求到的html
            # print (json['data']['html'])
            html = etree.HTML(json['data']['html'], parser=etree.HTMLParser(encoding='utf-8'))
            # a标签
            a_rr = html.xpath('//a[@target="_blank"]')
            a_re = '<a href="(.*?)"'
            # 多少张图片
            img_num = html.xpath('//div[@class="postlist-imagenum"]/span')
            # 标题
            img_file_title = html.xpath('//div[@class="case_info"]/a')

获取图片url

同样的办法，不过要先获取到前两张图片url，方法如上，xpath获取就行。代码如下，也不能直接用哦：

response = urllib.request.urlopen(a_href[0]).read().decode("utf-8", "ignore")
img_data = etree.HTML(response)  # 转换格式，构造解析对象
img_src1 = img_data.xpath('//*[@id="image_div"]/img[1]/@src')  # 进行匹配,提取出来的内容不是列表
if (str(type(img_src1)) == "<class 'list'>"):
    pass
else:
    img_src1 = [i for i in img_src1]
    img_src2 = img_data.xpath('//*[@id="image_div"]/img[2]/@src')  # 进行匹配,提取出来的内容不是列表
    if (str(type(img_src2)) == "<class 'list'>"):
        pass
    else:
        img_src2 = [i for i in img_src2]
        # print("此页第一张图片链接：",img_src1[0])
        # print("此页第二张图片链接：", img_src2[0])

保存到本地

方法很简单，代码如下(本示例代码是单独的保存图片代码)：

# -*- coding: utf-8 -*-
# @Time: 2022/11/3 15:08
# @Author: MinChess
# @File: save_pic.py
# @Software:
import os
import datetime
import urllib.request

# 创建目录，并返回该目录
def make_dir(path):
    # 去除左右两边的空格
    path = path.strip()
    # 判断该文件是否存在，不存在才创建，存在则跳过
    if not os.path.exists(path):
        os.makedirs(path)
    return path

# 图片保存地址
save_img_path = 'D:\program files\Pytest\Spider\图片获取\pic\\'

path = make_dir(save_img_path)
# 命名图片
filename = path + datetime.datetime.now().strftime('%Y%m%d%H%M%S%f') + '.jpg'
# 打开文件
f = open(filename, 'wb')
# 请求图片
req = urllib.request.urlopen('https://kodo.jiumoz.com/halo/Group-screen.png')
# 解析请求
buf = req.read()
# 写入图片
f.write(buf)

写入数据库

也很简单，建好库，连接后根据字段写好语句就行，主要用到的包是pymysql，代码如下：

def mysql_db(route,url,info,name):
    conn = pymysql.connect(
        host="127.0.0.1",
        database="picture",
        user="xxxx",
        password="xxxx"
    )

    try:
        with conn.cursor() as cursor:
            sql = "insert into sn (route,url,info,name) values ('"+route+"','"+url+"','"+info+"','"+name+"')"
            cursor.execute(sql)
            conn.commit()
    except Exception as e:
        conn.rollback()
        print("数据库操作异常：\n", e)
    finally:
        conn.close()

源码、数据库、爬取的图片

• 源码

  内服详细的注释，新手也会

  地址：https://yiandrive.com/s/VkvRFy

• 数据库

  数据库共有34000余条数据，包括名称、标题、url（可外链）、路径等字段；

  数据库保留了一个空字段，需要的同学可以将图片写入自己的服务器或者图床，这样图片链接的有效性更有保障。

  地址：https://yiandrive.com/s/E6amc1

---

感谢观看！