一切的起点,10 行代码集美女
前奏篇
目标数据源分析
本次待抓取的目标地址为:
抓取目标: 抓取该网站的图片,目标 2000 张。 用到的 Python 框架为: requests 库、re 模块 其它技术栈补充: 正则表达式 目标网站地址规则: http://www.netbian.com/mei/index.htm http://www.netbian.com/mei/index_2.htm http://www.netbian.com/mei/index_3.htm
结论,列表页规则为 http://www.netbian.com/mei/index_{页码}.htm
。
数据范围
- 累计 164 页;
- 每页 20 条数据。
图片所在标签与页面地址
图片所在标签位置代码如下:
<li><a href="/desk/23397.htm" title="陆萱萱 白色衬衫 裙子 职业装 美女模特壁纸 更新时间:2021-04-11" target="_blank"><img sr
页面地址为 /desk/23397.htm
。
整理需求如下
- 生成所有列表页 URL 地址;
- 遍历列表页 URL 地址,并获取图片详情页地址;
- 进入详情页获取大图;
- 保存图片;
- 得到 2000 张图片之后,开始欣赏。
代码实现时间
提前安装完毕 requests
模块,使用 pip install requests 即可,如果访问失败,切换国内 pip 源。
留个课后小作业,如何设置全局的 pip 源。
代码结构如下:
import requests # 抓取函数 def main(): pass # 解析函数 def format(): pass # 存储函数 def save_image(): pass if __name__ == '__main__': main()
先实现 10 行代码抓美女图,举个例子,在正式开始前,需要略微了解一些前端知识与正则表达式知识。
例如通过开发者工具查看网页,得到图片素材都在 <div class="list">
和 <div class="page">
这两个标签中,首先要做的就是拆解字符串,取出目标数据部分。
通过 requests
对网页源码进行获取,代码如下。
# 抓取函数 def main(): url = "http://www.netbian.com/mei/index.htm" headers = { "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36" } res = requests.get(url=url, headers=headers, timeout=5) res.encoding = "GBK" print(res.text)
使用 requests
模块的 get
方法即可获取网页数据,其中的参数分别是请求地址,请求头,等待时间。
请求头字段中的 User-Agent
,可以先使用我提供给你的内容,也可以通过开发者工具,进行获取。
在数据返回 Response
对象之后,通过 res.encoding="GBK"
设置了数据编码,该值可以从网页源码中获取到。
请求到数据源码,即开始解析数据,如果使用正则表达式,建议先对目标数据进行一些简单的裁剪工作。
裁剪字符串是 Python 中比较常规的操作了,直接编写代码即可实现。
用到的还是上文已经提及的两个字符串。
# 解析函数 def format(text): # 处理字符串 div_html = '<div class="list">' page_html = '<div class="page">' start = text.find(div_html) + len(div_html) end = text.find(page_html) origin_text = text[start:end]
最终得到的 origin_text
就是我们的目标文本。
通过 re 模块解析目标文本
上文返回的目标文本如下所示,本小节的目标就是获取到图片详情页地址。
使用的技术是 re 模块,当然需要配合正则表达式进行使用,对于正则表达式,可以跟随橡皮擦一点点的接触。
# 解析函数 def format(text): # 处理字符串 div_html = '<div class="list">' page_html = '<div class="page">' start = text.find(div_html) + len(div_html) end = text.find(page_html) origin_text = text[start:end] pattern = re.compile('href="(.*?)"') hrefs = pattern.findall(origin_text) print(hrefs)
其中 re.compile 方法中传递的就是正则表达式,它是一种检索字符串特定内容的语法结构。 例如 . :表示除换行符(\n、\r)之外的任何单个字符; *:表示匹配前面的子表达式零次或多次; ?:当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时,匹配模式是非贪婪的,非贪婪就是减少匹配; ():分组提取用。有这些知识之后,在回到代码中去看实现。
假设存在一个字符串:href="/desk/23478.htm",使用 href="(.*?)" 可以将其中的 /desk/23478.htm
匹配出来,括号的作用也是为了后续方便提取。
最后输出内容如下图所示。
清洗爬取结果
其中存在部分链接地址不正确,需要从列表中进行去除,本步骤使用列表生成器即可完成任务。
pattern = re.compile('href="(.*?)"') hrefs = pattern.findall(origin_text) hrefs = [i for i in hrefs if i.find("desk")>0] print(hrefs)
抓取内页数据
获取到列表页地址之后,就可以对图片内页数据进行获取了,这里用到的技术与前文逻辑一致。
# 解析函数 def format(text, headers): # 处理字符串 div_html = '<div class="list">' page_html = '<div class="page">' start = text.find(div_html) + len(div_html) end = text.find(page_html) origin_text = text[start:end] pattern = re.compile('href="(.*?)"') hrefs = pattern.findall(origin_text) hrefs = [i for i in hrefs if i.find("desk") > 0] for href in hrefs: url = f"http://www.netbian.com{href}" res = requests.get(url=url, headers=headers, timeout=5) res.encoding = "GBK" format_detail(res.text) break
在第一次循环中增加了 break
,跳出循环,format_detail
函数用于格式化内页数据,依旧采用格式化字符串的形式进行。
由于每页只有一张图片是目标数据,故使用的是 re.search
进行检索,同时调用该对象的 group
方法对数据进行提取。
发现重复代码了,稍后进行优化。
# 存储函数 def save_image(image_src): res = requests.get(url=image_src, timeout=5) content = res.content with open(f"{str(time.time())}.jpg", "wb") as f: f.write(content)
得到的第一张图片,贴到博客中记录。
优化代码
将代码重复逻辑进行提取,封装成公用函数,最终整理之后的代码如下:
import requests import re import time # 请求函数 def request_get(url, ret_type="text", timeout=5, encoding="GBK"): headers = { "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36" } res = requests.get(url=url, headers=headers, timeout=timeout) res.encoding = encoding if ret_type == "text": return res.text elif ret_type == "image": return res.content # 抓取函数 def main(): url = "http://www.netbian.com/mei/index.htm" text = request_get(url) format(text) # 解析函数 def format(text): origin_text = split_str(text, '<div class="list">', '<div class="page">') pattern = re.compile('href="(.*?)"') hrefs = pattern.findall(origin_text) hrefs = [i for i in hrefs if i.find("desk") > 0] for href in hrefs: url = f"http://www.netbian.com{href}" print(f"正在下载:{url}") text = request_get(url) format_detail(text) def split_str(text, s_html, e_html): start = text.find(s_html) + len(e_html) end = text.find(e_html) origin_text = text[start:end] return origin_text def format_detail(text): origin_text = split_str(text, '<div class="pic">', '<div class="pic-down">') pattern = re.compile('src="(.*?)"') image_src = pattern.search(origin_text).group(1) # 保存图片 save_image(image_src) # 存储函数 def save_image(image_src): content = request_get(image_src, "image") with open(f"{str(time.time())}.jpg", "wb") as f: f.write(content) print("图片保存成功") if __name__ == '__main__': main()
运行代码,得到下图所示运行效果。
目标 2000 张
20 张图片的爬取已经得到,下面目标 2000 张,初学阶段按照这种简单的方式抓取即可。
近期有很多朋友通过私信咨询有关Python学习问题。为便于交流,点击蓝色自己加入讨论解答资源基地
这一步需要改造的就是 main
函数:
# 抓取函数 # 抓取函数 def main(): urls = [f"http://www.netbian.com/mei/index_{i}.htm" for i in range(2, 201)] url = "http://www.netbian.com/mei/index.htm" urls.insert(0, url) for url in urls: print("抓取列表页地址为:", url) text = request_get(url) format(text)
———————————————— 版权声明:本文为CSDN博主「梦想橡皮擦」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。 原文链接:https://blog.csdn.net/hihell/article/details/117024328