前言
前几天,由于个人有需求,所以就要对站酷网一些类别下的作品的图片进行批量抓取,首先是采用的是NodeJs来写的,但是在运行的途中遇到很多的问题,所以后来就换成了Python,同时使用了多线程,使得图片下载时达到了宽带的峰值,同样也保证了其质量。
正文
我本次采用的是request和BeautifulSoup组合来进行抓取的,首先我们需要分析站酷的DOM结构:
由上我们可以看出,其主要内容包含在class为work-list-box的这个div内,并且每个作品又是单独包含在class为card-box这个div内的,所以我们需要获取到页面所有的作品元素集合,我封装成了一个函数:
def startRequest(url):
print("【提示】正在抓取 - %s " % url)
res = requests.get(url)
if res.status_code == 200:
res_html = res.content.decode()
doc = BeautifulSoup(res_html)
work_box = doc.find('div', class_={'work-list-box'})
card_box_list = work_box.find_all('div', class_={'card-box'}) # 此处为所有的作品元素集合
else:
print("【文档获取失败】【状态为%s】 - %s," % (url, res.status_code))
复制代码
接下来分析每个模块元素的结构,通过查看DOM元素得知每个card-box下的class为title-content的这个a标签包含了其作品的链接地址以及作品标题,所以我们就可以由此来获取:
title_content = item.find("a", class_={'title-content'})
avatar = item.find('span', class_={'user-avatar'})
复制代码
但是在作品集合元素内,嵌套着推广或广告,但是推广和广告是没有头像avatar元素的,所以我们只需要这样检测头像是否为空就可以过滤掉广告元素,其后获取到作者,URL链接以及标题:
def getContent(item):
title_content = item.find("a", class_={'title-content'})
avatar = item.find('span', class_={'user-avatar'})
if title_content is not None and avatar is not None:
title = title_content.text
author = avatar.find("a")["title"]
href = title_content['href']
else:
return
复制代码
接下来,我们需要访问对应的URL,并获取到其中的URL地址:
通过查看DOM元素结构可以看出,其文章主要内容区域在class为work-show-box的div下,然后每个图片/视频/文字区域都是放在class为reveal-work-wrap的div内,所以获取到所有的内容区域集合,然后查看是否有img标签,如果有的话就说明存在图片元素,则是我们需要的内容,并且获取到其src存放至url的集合中去:
def getDocImgLinks(html):
doc = BeautifulSoup(html)
work_box = doc.find("div", class_={'work-show-box'})
revs = work_box.find_all("div", class_={'reveal-work-wrap'})
img_list = []
for item in revs:
img = item.find("img")
if img is not None:
img_url = img["src"]
img_list.append(img_url)
else:
print("【提示】:没有图片")
continue
return img_list
复制代码
要注意的一点就是,其中有些图片如上图中,会存在@这个表示,就好比http://img.zcool.cn/community/0170165a372344a80121db8001781d.jpg@1280w_1l_2o_100sh.jpg,这个是将原图片进行了裁剪的缩略图,我们只需要将@以及后面的内容去掉就可以得到原图,最后为:http://img.zcool.cn/community/0170165a372344a80121db8001781d.jpg
最后,我们需要将获取的URL图片进行存储,存储的文件夹就以【作者名】-【作品标题】为标准,然后图片就以UUID来随机命名,同时我们需要对一些特殊字符进行过滤转换,以防创建文件夹或文件失败:
def nameEncode(file_name):
file_stop_str = ['\\', '/', '*', '?', ':', '"', '<', '>', '|']
for item2 in file_stop_str:
file_name = file_name.replace(item2, '-')
return file_name
复制代码
所以,最后的完整源码如下:
import sys
from bs4 import BeautifulSoup
import requests
import os
import uuid
import threading
def startRequest(url):
print("【提示】正在抓取 - %s " % url)
res = requests.get(url)
if res.status_code == 200:
res_html = res.content.decode()
doc = BeautifulSoup(res_html)
work_box = doc.find('div', class_={'work-list-box'})
card_box_list = work_box.find_all('div', class_={'card-box'})
for item in card_box_list:
getContent(item)
else:
print("【文档获取失败】【状态为%s】 - %s," % (url, res.status_code))
def getContent(item):
title_content = item.find("a", class_={'title-content'})
avatar = item.find('span', class_={'user-avatar'})
if title_content is not None and avatar is not None:
title = title_content.text
author = avatar.find("a")["title"]
href = title_content['href']
# print("%s - 【%s】- %s" % (title, author, href))
res = requests.get(href)
if res.status_code == 200:
# 获取所有的图片链接
img_list = getDocImgLinks(res.content.decode())
path_str = "【%s】-【%s】" % (author, title)
path_str_mk = pathBase('./data/'+nameEncode(path_str))
if path_str_mk is None:
return
else:
for img_item in img_list:
downloadImg(img_item, path_str_mk)
else:
print("【文档获取失败】【状态为%s】 - %s," % (href, res.status_code))
else:
return
def getDocImgLinks(html):
doc = BeautifulSoup(html)
work_box = doc.find("div", class_={'work-show-box'})
revs = work_box.find_all("div", class_={'reveal-work-wrap'})
img_list = []
for item in revs:
img = item.find("img")
if img is not None:
img_url = img["src"]
img_list.append(img_url)
else:
print("【提示】:没有图片")
continue
return img_list
def pathBase(file_path):
file_name_s = file_path.split("/")
file_name = file_name_s[len(file_name_s) - 1]
file_name_s[len(file_name_s) - 1] = file_name
path = "/".join(file_name_s)
if not os.path.exists(path):
os.mkdir(path)
return path
def nameEncode(file_name):
file_stop_str = ['\\', '/', '*', '?', ':', '"', '<', '>', '|']
for item2 in file_stop_str:
file_name = file_name.replace(item2, '-')
return file_name
def downloadImg(url, path):
z_url = url.split("@")[0]
hz = url.split(".")
z_hz = hz[len(hz) - 1]
res = requests.get(z_url)
if res.status_code == 200:
img_down_path = path + "/" + str(uuid.uuid1()) + "." + z_hz
f = open(img_down_path, 'wb')
f.write(res.content)
f.close()
print("【下载成功】 - %s" % img_down_path)
else:
print("【IMG下载失败】【状态为%s】 - %s," % (z_url, res.status_code))
if __name__ == '__main__':
threads = []
for i in range(1, 22):
url = 'http://www.zcool.com.cn/search/content?type=3&field=8&other=0&sort=5&word=APP%E8%AE%BE%E8%AE%A1' \
'&recommend=0&requestId=requestId_1513228221822&p='+(str(i))+'#tab_anchor '
threads.append(threading.Thread(target=startRequest, args={url}))
for item in threads:
item.start()
复制代码
后记
说说最后的效果吧,通过几十分钟的抓取,峰值为11MB的下载速度,成功抓取了站酷网站的2500+的作品,总大小为30GB左右。如果上述代码中有任何不清楚的地方,您可以在下方进行留言,我会及时回答您的疑惑。