python--批量下载豆瓣图片之升级版本

周末下雨没法出门，刷刷豆瓣看看妹子，本想拿以前脚本下载点图片，结果发现运行失败，之前版本为《python--批量下载豆瓣图片》，报错HTTP Error 403: Forbidden，网上一堆的文章都是写在request的header中添加User-Agent模拟浏览器请求就可以解决，但毫无卵用！

在调试过程中无意发现，及时在浏览器地址栏中手动输入图片地址，也出现430 Forbidden的提示，百度一上午没找到答案，略微郁闷，考虑到手动能点击链接能显示图片，于是想通过模拟浏览器操作的方式来自动保存图片，百度一下午Selenium WebDriver，发现图片也显示出来了，就是没法右键保存，百度又是人云亦云的那些东西，折腾很久也没成功。

今天灵光一线，既然手动点击链接变可以，为啥通过地址栏输入的链接就不行呢，两种方式的地址完全相同，不存在手动点击链接后链接变化的问题，那问题会不会就出在两种请求所附带的请求数据上，由于是get方式，请求数据都存放请求头和URL链接中，通过Firefox的开发者工具>>开发者工具栏>>网络选项可以看到请求头内容：

尝试在脚本中也增加请求头中添加Referer项，发现程序顺利通过，看来豆瓣通过这一项来判断，就跟空手去人家婚礼蹭饭一样，不弄个红包装一下，很可能会被打出来！

在图片显示窗口，右键“查看页面信息”，也可以很容易找到引用URL一项：

 

代码附上：

# -*- coding:utf8 -*-
import urllib2, urllib, socket
import re
import requests
from lxml import etree
import os, time, random

DEFAULT_DOWNLOAD_TIMEOUT = 30

def check_save_path(save_path):
    if not os.path.exists(save_path):
        os.makedirs(save_path)


def get_image_name(image_link):
    file_name = os.path.basename(image_link)
    return file_name


def get_image_id(file_name):
    file_id = file_name[0: file_name.rindex('.')]
    return file_id


def save_image(image_link, save_path):
    file_name = get_image_name(image_link)
    file_id = get_image_id(file_name)
    file_path = save_path + "\\" + file_name
    print("准备下载{0} 到{1}".format(image_link, file_path))
    try:

        headers = {}
        headers["User-Agent"] = 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0'
        headers["Referer"] = 'https://site.douban.com/239506/widget/photos/190120540/photo/{0}/'.format(file_id)
        file_handler = open(file_path, "wb")
        req = urllib2.Request(url=image_link, headers=headers)
        opener = urllib2.build_opener()
        image_handler = opener.open(req).read()
        file_handler.write(image_handler)
        return True
    except Exception, ex:
        print(ex.args)
        print("下载文件出错:{0}".format(ex.message))
        return False


def get_thumb_picture_link(thumb_page_link):
    try:
        html_content = urllib2.urlopen(url=thumb_page_link, timeout=DEFAULT_DOWNLOAD_TIMEOUT).read()
        html_tree = etree.HTML(html_content)
        # print(str(html_tree))
        link_tmp_list = html_tree.xpath('//div[@class="photo-item"]/a/img/@src')
        page_link_list = []
        for link_tmp in link_tmp_list:
            page_link_list.append(link_tmp)
        return page_link_list
    except Exception, ex:
        print(ex.message)
        return []


def download_pictures(album_link, min_page_id, max_page_id, picture_count_per_page, save_path):
    check_save_path(save_path)
    min_page_id = 0
    while min_page_id < max_page_id:
        thumb_page_link = album_link + "?start={0}".format(min_page_id * picture_count_per_page)
        thumb_picture_links = get_thumb_picture_link(thumb_page_link)
        for thumb_picture_link in thumb_picture_links:
            full_picture_link = thumb_picture_link.replace("photo/thumb", "photo/raw")
            print('<img src="{0}"/>'.format(full_picture_link))
            print("thumb:" + thumb_picture_link)
            full_picture_link = thumb_picture_link.replace("photo/thumb", "photo/raw")
            save_flag = save_image(image_link=full_picture_link, save_path=save_path)
            if not save_flag:
                full_picture_link = thumb_picture_link.replace("photo/thumb", "photo/photo")
                save_image(image_link=full_picture_link, save_path=save_path)
            time.sleep(1)
        min_page_id += 1
    print("下载完成")


# 设置图片保存的本地文件夹
save_path = "E:\\PIC\\douban_11\\"
# 设置相册地址，注意以反斜杠结尾
album_link = "https://site.douban.com/239506/widget/photos/190120540/"
# 设置相册总页数
max_page_id = 20
# 设置每页图片数量，默认为18张
picture_count_per_page = 30

download_pictures(album_link=album_link,
                  min_page_id=1,
                  max_page_id=max_page_id,
                  picture_count_per_page=picture_count_per_page,
                  save_path=save_path)

 

 

##====================================================================##

感叹下，以前学html以及做网页开发的时候，很少关心请求头，顶多就知道GET和POST的区别，白白浪费一个周末研究，可惜！

幸好失败是成功它妈妈，吃一堑长一智！

##====================================================================##

没点好图你们是不会罢休的，哇咔咔！