2021-01-07

Python爬虫进阶之正则提取–宅男女神

---

关于正则提取HTML

正则表达式作为一种通用的字符匹配，
应用于html的文本数据解析、提取还是十分的方便的。
同时python也内置re模块，来支持使用正则。
使用的时候只需要导入，即可import re
通常的匹配方法是re.findall()
匹配字符则需要使用万能的正则通配符（.*？）
匹配的模式选择re.S # 多行(跨行)匹配文本

impore re
html = html 	# html文档
text_list = re.findall('文本.*?文本(.*?)文本', html, re.S)	# 匹配到的所有文本 返回一个列表

一、网站及分析

1.网站链接

[XIUREN] 2020.02.14 陆萱萱

2.使用requests请求获取网页源码

import requests

url = 'https://www.nvshens.org/g/32194/'
headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3861.400 QQBrowser/10.7.4313.400'
}
response = requests(url=url, headers=headers)
html = response.text

2.正则提取

这里所要提取的信息(文本),包括专辑名称、图片张数、图片链接。
分别作为–要保存的文件夹名、和请求图片数据的url

path = re.findall('id="htilte">(.*?)</h1>', html, re.S)[0]  # 文件夹名
page = re.findall(
    r"<span style='color: #DB0909'>(\d+).*</span>",  	# 张数
    html,
    re.S)[0]
url = re.search('<img src=(.*?).alt=', html).group()[10:-13] # 图片url

3.图片地址分析及构造

通过查看分析，得出图片url的规律。
分为四种情况，0、>10、>100 和>10<100
通过if...elif...else来判断

def download(y):
	if y == 0:
        url1 = url + "0.jpg"
    elif y < 10:
        url1 = url + "00" + str(y) + ".jpg"
    elif y >= 100:
        url1 = url + str(y) + ".jpg"
    else:
        url1 = url + "0" + str(y) + ".jpg"
    # print(url1)

网站的反扒–防盗链/重定向

经过大量的爬取测试，网站的部分专辑是有反扒的。其中通过浏览器开发者模式抓包分析，qq浏览器给的是专辑浏览页的url,谷歌浏览器的是主站(不得不是chrome好用）
这里选择主站就好，大部分的反盗链/referer都是主站


需要加到请求头里面
还有一个是请求是会报错需要设置在requests.get()参数里面allow_redirects=False 这个就是重定向

headers = {
    'Referer': 'https://www.nvshens.org/',
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3861.400 QQBrowser/10.7.4313.400'

}

二、图片下载保存

首先创建文件夹
使用os模块 这两行可以当成模板，首先判断是否存在，不存在就创建

if not os.path.exists(path1):
    os.mkdir(path1)

然后通过with...open.. 语句来保存 也是一个固定的格式

 with open(path1 + str(y) + '.jpg', 'wb') as fp:
        fp.write(img_data)
        print('下载成功', str(y), '-----')

三、再加一个多线程

固定用法 要用到时直接复制

from multiprocessing.dummy import Pool

# 实例化线程池对象，开启了4个线程
pool = Pool(12)   	# 线程数量 不需要太多自己尝试，也可以不输/默认
pool.map(download, list1)  	# map函数里面 第一个参数是一个要执行的函数 第二个是函数的参数传入一个列表
pool.close()     # 关闭
pool.join()		# 等待主线程结束

完整代码

import re
import requests
import time
import os
from multiprocessing.dummy import Pool

html_url = 'https://www.nvshens.org/g/34642/'
headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3861.400 QQBrowser/10.7.4313.400'
}
s = requests.Session()
html = s.get(html_url, headers=headers).text
print(html)
path = re.findall('id="htilte">(.*?)</h1>', html, re.S)[0]
page = re.findall(
    r"<span style='color: #DB0909'>(\d+).*</span>",
    html,
    re.S)[0]
url = re.search('<img src=(.*?).alt=', html).group()[10:-13]
print(url)
path1 = './' + path + '/'
print(path1)
if not os.path.exists(path1):
    os.mkdir(path1)

m = int(page)
list1 = []

headers = {
    'Referer': 'https://www.nvshens.org/',
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3861.400 QQBrowser/10.7.4313.400'

}


def download(y):

    if y == 0:
        url1 = url + "0.jpg"
    elif y < 10:
        url1 = url + "00" + str(y) + ".jpg"
    elif y >= 100:
        url1 = url + str(y) + ".jpg"
    else:
        url1 = url + "0" + str(y) + ".jpg"
    # print(url1)
    img_data = s.get(url=url1, headers=headers, allow_redirects=False).content
   

start = time.time()
for i in range(0, m):
    list1.append(i)


# 实例化线程池对象，开启了4个线程
pool = Pool(12)
pool.map(download, list1)
pool.close()
pool.join()
end = time.time()
print(end - start)

总结

项目总体难度不大，包括了很多爬虫及python基础。特别适合练练，自己也是尝试了很多的，完全是自己设计。后边有什么想法继续改进，包括TK应用已经实现。用于简单的爬虫练习还是可以的，当然也是波福利了。