本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
转载地址
https://blog.csdn.net/fei347795790?t=1
某年某月某日,重温某本漫画,心血来潮,爬之!!!
分析思路:
1. 通过静态爬取漫画所有章节的url链接信息以及集数信息。
2. 通过动态爬取每集漫画的所有篇幅。
3. 每集漫画保存至相应本地文件夹中。
一、获取所有漫画信息
通过对漫画网页地址load = "http://x.seeym.net/xxxx/xxxxxxxx/"分析,每集漫画 的链接和集数集中于某个标签中,通过requests库和BeautifulSoup库获取该标签信息。并转化成pd.DataFrame格式数据,共包含三列ID(集数),url(漫画链接),name(集名)。.
import os
import numpy as npimport pandas as pdimport requestsimport reimport timefrom bs4 import BeautifulSoup
from selenium import webdriver
#载入漫画链接,返回DataFrame文件,包含ID,URL链接,文件名.def url(load): try: bb = requests.get(load, timeout = 30)
bb.encoding = bb.apparent_encoding soup = BeautifulSoup(bb.text,'lxml')
div = soup.find(id = 'mh-chapter-list-ol-0')
url = [] name = [] for i in div.find_all("a"):
url.append("http://m.seeym.net" + i.attrs["href"])
b = re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])","",i.string)
name.append(b)
ID = np.array(list(reversed(range(len(url))))).reshape(len(url),1) + 1
url = np.array(url).reshape(len(url),1)
name = np.array(name).reshape(len(url),1)
info = pd.DataFrame(np.concatenate((ID,url,name),axis=1),columns=["ID","url","name"])
info["ID"] = info["ID"].apply(pd.to_numeric)
info = info.sort_values(by = "ID")
return info
except: print("网页不可用")
二、下载漫画
url链接分析:具体漫画信息隐藏在动态链接中,通过selenium爬取图片信息和漫画图片数,每张图片的url链接为http://xxxxxx.html?p=i,i为漫画图片数。第一步,获得该集漫画图片总数。第二步,循环爬取漫画图片。第三步,下载保存。
#提取漫画内容load:载入漫画网址,path:保存地址,dic:保存集数
def jpg(load,path,dic,browser,ID):
a = 1
try: browser.get(load)
elemt = browser.find_element_by_id("k_total")
total = elemt.text for i in range(1,int(total)+1):
load1 = load + '?p=' + str(i)
browser.get(load1) elemt = browser.find_element_by_id("qTcms_pic")
bb1 = elemt.get_attribute('src')
bb2 = requests.get(bb1, timeout = 30)
bb2.encoding = bb2.apparent_encoding path1 = path + '/' + str(ID) + '_' + dic + '/' + str(i) + '.jpg'
with open(path1, 'wb') as f:
f.write(bb2.content)
time.sleep(np.random.randint(1,3))
print('xxxxxx{}下载成功'.format(dic))
return a - 1
except: print('xxxxxx{}下载失败'.format(dic))
return a
代码修改:下载过程中出现漫画集名有特殊字符的情况,通过正则表达式将特殊字符剔除。
三、新建保存文件夹和删除文件夹
更新漫画操作,若本地文件夹中无该漫画集数子文件夹,则创建文件夹。若有,则不创建。删除下载失败的文件夹,若不能下载完整漫画集,则删除创建的文件夹。
#新建文件夹
def mkdir(path,dic,ID):
path = path + '/' + str(ID) + '_' + dic
check = 1
if os.path.exists(path) == False:
print('创建{}文件夹'.format(dic))
os.mkdir(path)
return check - 1
else:
return check
#删除文件夹,文件def deldir(path,dic,ID):
path = path + '/' + str(ID) + '_' + dic
if os.path.exists(path) == True:
for i in os.listdir(path):
path1 = path + '/' + i
os.remove(path1)
os.rmdir(path)
else:
pass
四、拼接代码
下载流程:
1. 输入load链接,本地地址,运行webdriver.Chrome谷歌浏览器。
2. 获取漫画url信息。
3. 循环下载漫画,生成下载失败文件fail。
4. 新建子文件下,下载漫画,并time.sleep(np.random.randint(x))模拟人看漫画时长。
def main():
#第一步:载入xxxxx网址和保存漫画地址 browser = webdriver.Chrome(executable_path = "D:/chromedriver.exe")
load = "http://xxxxx.net/xxxx/xxxxx/"
path = "F:/漫画/xxxxx"
#第二步,获取所有漫画的url信息 info = url(load)
#第三步,下载漫画 fail = info.iloc[0:1,:]
for i in range(len(info)):
http = info.iloc[i,1]
dic = info.iloc[i,2]
ID = info.iloc[i,0]
check = mkdir(path,dic,ID)
if check == 0:
a = jpg(http,path,dic,browser,ID)
if a == 1:
fail = pd.concat((fail,info.iloc[i:i+1,:]))
deldir(path,dic,ID)
else:
time.sleep(np.random.randint(3,6))
continue else:
continue return fail
fail = main()
五、结果
PS:网址来源于某盗版网址,图文中相关链接等信息均隐藏。