爬虫养成记——先跨进这个精彩的世界（女生定制篇）

一只图雀

于 2020-04-03 08:32:45 发布

阅读量1.4k

点赞数

本文链接：https://blog.csdn.net/weixin_46042722/article/details/105284737

版权

在这里插入图片描述

本文由图雀社区成员 灿若星空 写作而成，欢迎加入图雀社区，一起创作精彩的免费技术教程，予力编程行业发展。

如果您觉得我们写得还不错，记得 点赞 + 关注 + 评论 三连🥰🥰🥰，鼓励我们写出更好的教程💪

发刊词

这是一套基于实战的系列教程，从最简单的爬虫程序开始，授人予渔，详细剖析程序设计的思路，完整展现爬虫是如何一步步调试到最终完成。分享关于爬虫的各种知识、技巧，旨在帮助大家认识爬虫、设计爬虫、使用爬虫最后享受爬虫带给我们在工作和生活上的各种便利。

预备知识

基本的python编程知识
1. 这里使用 Python3 作为开发环境
2. 同时具备基本的装包知识
基本的网页编程知识
初步了解HTTP协议

这是最简单的计算机程序

说起爬虫每个人都或多或少的听过与之相关的内容，觉得它或高深、或有趣。作为一名写代码四五年的初级码农来看，爬虫程序是计算机程序里面最简单也是最有趣的程序。只要会上网冲浪就有写爬虫程序的天赋。

爬虫为什么是虫呢？因为虫子的头脑比较简单，爬虫程序也是 ++“一根筋”++ ，不需要讳莫如深的数学知识，也不用设计精巧的各类算法。我们只需要用计算机能听懂的“大白话”平铺直叙就可以啦。

开发爬虫的基本套路

一句话总结所有爬虫程序的作用：模拟人类上网的操作，以此来查找、下载、存储数据。
接下来我要以男人图这个网站为例，分享套路。

step 1：打开目标网址

此处强烈推荐Chrome

首先打开这个网址：https://www.nanrentu.cc/sgtp/，会看到以下界面

。

现在我们只是用浏览器手动打开了这个页面，接下来我们要用代码，让程序也打开这个页面。这就要分析一下浏览器是如何打开这个页面的了，请看简易流程图。

在python中，可以使用 requests 这一工具包来发送HTTP请求。为了了解程序所“看到” 页面是什么样子的，我们需要把程序所得到HTML文件保存到本地，然后再用浏览器打开，就能和程序感同身受了。从而达到“人机合一”的境界。

光说不练假把式，让我们马上来新建一个 index.py 文件，然后在其中编写如下内容：

import requests
url = "https://www.nanrentu.cc/sgtp/"
response = requests.get(url)
if response.status_code == 200:
    with open("result.html",'a',encoding="utf-8") as f:
        f.write(response.text)

在浏览器打开写入的HTML文件是这样的

这怎么和在浏览器中看到的不一样呢？

这个时候我就要亮出一件绝世宝贝————Chrome调试台（按F12）来给您分析一波了。

其实我们在浏览器中看到的页面并不仅仅是HTML页面，而是css、js、html以及各种媒体资源综合在一起并有浏览器最终渲染而出页面，红框的部分，标出了在这个过程中所加载的各个资源。

当我们用程序去请求服务器时，得到仅仅是HTML页面，所以程序和我们所看到的页面就大相径庭了。不过没关系HTML是主干，抓住了主干其他的只需要顺藤摸瓜就可以了。

step2：找到目标资源

打开这个网址以后，各位小仙女就可以各取所需咯，想体验萧亚轩的快乐嘛？那目标就是小鲜肉；馋彭于晏的那样的身子了？那肌肉帅哥就是你的菜。此外韩国欧巴，欧美型男也是应有尽有。

人类是高级生物，眼睛会自动聚焦的目标身上，但是爬虫是“一根筋”啊，它可不会自动聚焦，我们还得帮它指引道路。

写过前端页面的朋友都知道CSS样式用过各种选择器来绑定到对应的节点上，那么我们也可以通过CSS的选择器来选中我们想要的元素，从而提取信息。Chrome中已经准备了CSS选择器神器，可以生成我们想要元素的选择器。

具体过程如下：第三步为好好欣赏小哥哥们~

step3：解析页面

这个时候要介绍页面解析神器pyquery，这个工具库可以通过我们所复制的CSS选择器，在 HTML 页面中查找对应元素，并且能很便捷地提取各种属性。那么接下来我们就把这个小哥哥解析出来吧。

我们首先安装 PyQuery 这个包，具体可以使用 pip 包管理器安装，然后将代码修改成如下这样：

import requests
from pyquery import PyQuery as pq
url = "https://www.nanrentu.cc/sgtp/"
response = requests.get(url)
if response.status_code == 200:
    with open("result.html",'w',encoding="utf-8") as f:
        f.write(response.text)
    # 开始解析
    doc = pq(response.text)
    # 把复制的选择器粘贴进去
    # 选择对应的节点
    imgElement = doc('body > div:nth-child(5) > div > div > div:nth-child(2) > ul > li:nth-child(3) > a > img')
    # 提取属性，获取图片链接
    imgSrc = imgElement.attr('src')
    # 将图片链接输出在屏幕上
    print(imgSrc)

step4：存储目标

这么好看的小哥哥怎么能只让他在互联网上呆着呢？把他放进硬盘里的学习资料文件夹里才是最安全的。接下来，我们就把小哥哥放到碗里来。

下载图片的过程其实和抓取HTML页面的流程是一样的，也是利用 requests 发送请求从而获取到数据流再保存到本地。

import requests
from pyquery import PyQuery as pq
url = "https://www.nanrentu.cc/sgtp/"
response = requests.get(url)
if response.status_code == 200:
    with open("result.html",'w',encoding="utf-8") as f:
        f.write(response.text)
    doc = pq(response.text)
    imgElement = doc('body > div:nth-child(5) > div > div > div:nth-child(2) > ul > li:nth-child(3) > a > img')
    imgSrc = imgElement.attr('src')
    print(imgSrc)
    # 下载图片
    imgResponse = requests.get(imgSrc)
    if imgResponse.status_code == 200:
        # 填写文件路径 以二进制的形式写入文件
        with open('学习文件/boy.jpg', 'wb') as f:
            f.write(imgResponse.content)
            f.close()

此时先来看看效果

四步虫

至此仅仅十多行代码就完成了一个小爬虫，是不是很简单。其实爬虫的基本思路就这四步，所谓复杂的爬虫就是在这个四步的基础上不断演化而来的。爬虫最终的目的是为了获取各种资源（文本或图片），所有的操作都是以资源为核心的。

打开资源
定位资源
解析资源
下载资源

更多的小哥哥

通过上述步骤我们只能获取到一个小哥哥，集美们就说了，我直接右击鼠标下载也可以啊，干嘛费劲写爬虫呢？那接下来，我们就升级一波选择器，把小哥哥们装进数组，统统搞到碗里来。

重构代码

为了以后写代码更方便，要先进行一个简单的重构，让代码调理清晰。

增加入口函数
封装对于图片的操作

重构后的代码如下：

import requests
from pyquery import PyQuery as pq

def saveImage(imgUrl,name):
    imgResponse = requests.get(imgUrl)
    fileName = "学习文件/%s.jpg" % name
    if imgResponse.status_code == 200:
        with open(fileName, 'wb') as f:
            f.write(imgResponse.content)
            f.close()

def main():
    baseUrl = "https://www.nanrentu.cc/sgtp/"
    response = requests.get(baseUrl)
    if response.status_code == 200:
        with open("result.html",'w',encoding="utf-8") as f:
            f.write(response.text)
        doc = pq(response.text)
        imgElement = doc('body > div:nth-child(5) > div > div > div:nth-child(2) > ul > li:nth-child(3) > a > img')
        imgSrc = imgElement.attr('src')
        print(imgSrc)
        saveImage(imgSrc,'boy')
        
if __name__ == "__main__":
    main()

升级选择器

有过前端编程经验的同学们可以看出来，Chrome自动生成的选择器指定了具体的某个子元素，所以就只选中了一个小哥哥，那么接下来我们要分析出通用的选择器，把臭弟弟们一锅端。

多拿着鼠标点点这个调试台，一层层地看这个HTML文件的元素层级，找到其中相同重复的地方，这就是我们的突破口所在。

我们可以看出图片都在一个类名为 h-piclist 的 <ul> 标签中，那么我们可写出以下的选择器 .h-piclist > li > a > img。这样就选中了这一页所有的图片元素。接着用一个 for 循环遍历就可以了。

import requests
from pyquery import PyQuery as pq

# 引入UUID为图片命名
import uuid

def saveImage(imgUrl,name):
    imgResponse = requests.get(imgUrl)
    fileName = "学习文件/%s.jpg" % name
    if imgResponse.status_code == 200:
        with open(fileName, 'wb') as f:
            f.write(imgResponse.content)
            f.close()

def main():
    baseUrl = "https://www.nanrentu.cc/sgtp/"
    response = requests.get(baseUrl)
    if response.status_code == 200:
        with open("result.html",'w',encoding="utf-8") as f:
            f.write(response.text)
        doc = pq(response.text)
        # 选则这一页中所有的目标图片元素
        imgElements = doc('.h-piclist > li > a > img').items()
        # 遍历这些图片元素
        for i in imgElements:
            imgSrc = i.attr('src')
            print(imgSrc)
            saveImage(imgSrc,uuid.uuid1().hex)

if __name__ == "__main__":
    main()

无法下载的图片

可以看出图片的连接已经全部拿到了，但是当去下载图片时却发生了一些意外，请求图片竟然没有反应。这是哪里出了问题呢？图片连接全部拿到，证明代码没毛病，把图片链接放到浏览器里正常打开，证明连接没毛病，那现在可能就是网络有毛病了。

网速慢
网络波动
对方网站有防爬措施
……

这时候因素很多，我们首先用最简单的方法来解决问题，断线重连。把笔记本WIFI重启，重新加入网络，再运行程序。

惊喜来了，臭弟弟们成功入库。

当然啦，这种方式并不是银弹，我们需要有更多的技巧来提升爬虫程序的“演技”，我们的爬虫程序表现的越像个人，那我们获取资源的成功率就会越高。

看到这里，应该跨进爬虫世界的大门了，如果这个世界有主题曲的话那么一定是薛之谦的《演员》接下来的教程中会一遍磨砺“演技”，一遍获取更多的小哥哥。