Python 爬蟲入門
聽說你寫代碼沒動力？本文就給你動力，爬取妹子圖。如果這也沒動力那就沒救了。
GitHub 地址: https://github.com/injetlee/Python/blob/master/%E7%88%AC%E8%99%AB%E9%9B%86%E5%90%88/meizitu.py
公眾號：【智能制造社區】。歡迎關注，分享智能制造與編程那些事。
爬蟲成果
當你運行代碼后,文件夾就會越來越多，如果爬完的話會有2000多個文件夾，20000多張圖片。不過會很耗時間，可以在最后的代碼設置爬取頁碼范圍。
本文目標
- 熟悉 Requests 庫，Beautiful Soup 庫
- 熟悉多線程爬取
- 送福利，妹子圖
網站結構
我們從 http://meizitu.com/a/more_1.html 這個鏈接進去，界面如圖一所示
圖一：
可以看到是一組一組的套圖，點擊任何一組圖片會進入到詳情界面，如圖二所示
圖二:
可以看到圖片是依次排開的，一般會有十張左右的圖片。
實現思路
看了界面的結構，那么我們的思路就有了。
- 構造 url 鏈接，去請求圖一所示的套圖列表界面，拿到每一個頁面中的套圖列表。
- 分別進入每個套圖中去，下載相應的圖片。
代碼說明
-
下載界面的函數,利用 Requests 很方便實現。
def download_page(url): ''' 用於下載頁面 ''' headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0"} r = requests.get(url, headers=headers) r.encoding = 'gb2312' return r.text -
獲取圖一所示的所有套圖列表,函數中 link 表示套圖的鏈接，text表示套圖的名字
def get_pic_list(html): ''' 獲取每個頁面的套圖列表,之后循環調用get_pic函數獲取圖片 ''' soup = BeautifulSoup(html, 'html.parser') pic_list = soup.find_all('li', class_='wp-item') for i in pic_list: a_tag = i.find('h3', class_='tit').find('a') link = a_tag.get('href') # 套圖鏈接 text = a_tag.get_text() # 套圖名字 get_pic(link, text) -
傳入上一步中獲取到的套圖鏈接及套圖名字,獲取每組套圖里面的圖片,並保存,我在代碼中注釋了。
def get_pic(link, text): ''' 獲取當前頁面的圖片,並保存 ''' html = download_page(link) # 下載界面 soup = BeautifulSoup(html, 'html.parser') pic_list = soup.find('div', id="picture").find_all('img') # 找到界面所有圖片 headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0"} create_dir('pic/{}'.format(text)) for i in pic_list: pic_link = i.get('src') # 拿到圖片的具體 url r = requests.get(pic_link, headers=headers) # 下載圖片，之后保存到文件 with open('pic/{}/{}'.format(text, pic_link.split('/')[-1]), 'wb') as f: f.write(r.content) time.sleep(1)
完整代碼
完整代碼如下，包括了創建文件夾，利用多線程爬取，我設置的是5個線程，可以根據自己機器自己來設置一下。
import requests
import os
import time
import threading
from bs4 import BeautifulSoup
def download_page(url):
'''
用於下載頁面
'''
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0"}
r = requests.get(url, headers=headers)
r.encoding = 'gb2312'
return r.text
def get_pic_list(html):
'''
獲取每個頁面的套圖列表,之后循環調用get_pic函數獲取圖片
'''
soup = BeautifulSoup(html, 'html.parser')
pic_list = soup.find_all('li', class_='wp-item')
for i in pic_list:
a_tag = i.find('h3', class_='tit').find('a')
link = a_tag.get('href')
text = a_tag.get_text()
get_pic(link, text)
def get_pic(link, text):
'''
獲取當前頁面的圖片,並保存
'''
html = download_page(link) # 下載界面
soup = BeautifulSoup(html, 'html.parser')
pic_list = soup.find('div', id="picture").find_all('img') # 找到界面所有圖片
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0"}
create_dir('pic/{}'.format(text))
for i in pic_list:
pic_link = i.get('src') # 拿到圖片的具體 url
r = requests.get(pic_link, headers=headers) # 下載圖片，之后保存到文件
with open('pic/{}/{}'.format(text, pic_link.split('/')[-1]), 'wb') as f:
f.write(r.content)
time.sleep(1) # 休息一下，不要給網站太大壓力，避免被封
def create_dir(name):
if not os.path.exists(name):
os.makedirs(name)
def execute(url):
page_html = download_page(url)
get_pic_list(page_html)
def main():
create_dir('pic')
queue = [i for i in range(1, 72)] # 構造 url 鏈接 頁碼。
threads = []
while len(queue) > 0:
for thread in threads:
if not thread.is_alive():
threads.remove(thread)
while len(threads) < 5 and len(queue) > 0: # 最大線程數設置為 5
cur_page = queue.pop(0)
url = 'http://meizitu.com/a/more_{}.html'.format(cur_page)
thread = threading.Thread(target=execute, args=(url,))
thread.setDaemon(True)
thread.start()
print('{}正在下載{}頁'.format(threading.current_thread().name, cur_page))
threads.append(thread)
if __name__ == '__main__':
main()
好了，之后運行，我們的爬蟲就會孜孜不倦的為我們下載漂亮妹子啦。