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
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
