Python爬蟲入門教程 18-100 煎蛋網XXOO圖片抓取

寫在前面

很高興我這系列的文章寫道第18篇了，今天寫一個爬蟲愛好者特別喜歡的網站煎蛋網http://jandan.net/ooxx，這個網站其實還是有點意思的，網站很多人寫了N多的教程了，各種方式的都有，當然網站本身在爬蟲愛好者的不斷進攻下，也在不斷的完善，反爬措施也很多，今天我用selenium在揍他一波。

整體看上去，煎蛋網的妹子圖質量還是可以的，不是很多，但是還蠻有味道的，這可能也是爬蟲er，一批一批的奔赴上去的原因。

1. 網站分析

這個網站如果用 selenium 爬取，其實也沒什么要分析的,模擬訪問就行，導入必備的模塊。

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from lxml import etree
import requests

import time

我使用的是PhantomJS 去加載瀏覽器，關於這個PhantomJS，去互聯網搜索一下吧，資料大把，會看的很爽的，總之呢，它可以模擬一個真實的瀏覽器做任何事情，得到你想要的數據。

browser = webdriver.PhantomJS()
browser.set_window_size(1366, 768)  # 這個地方需要設置一下瀏覽器的尺寸
wait = WebDriverWait(browser,10)
browser.get("http://jandan.net/ooxx")

2. 分析數據

程序獲取到數據之后就可以對數據進行處理了，編寫一個get_content函數，用來處理網頁源碼。

def get_content():

    try:

        wait.until(
            EC.presence_of_element_located((By.XPATH,'//*[@id="comments"]/ol'))
        )
        #
        print("正在爬取{}".format(browser.current_url))
        page_source = browser.page_source  # 獲取網頁源碼
        html = etree.HTML(page_source)  # 解析源碼
        imgs = html.xpath("//li[contains(@id,'comment')]//img/@src")  # 匹配圖片
        download(imgs)

    except Exception as e:
        print("錯誤")
        print(e)
    finally:
        browser.close()

圖片獲取到之后，在上面的代碼中，注意有一個地方調用了一個 download函數，這個函數就是用來下載圖片的

def download(imgs):
    path = "./xxoo/{}"  # 路徑我寫死了
    for img in imgs:
        try:
            res = requests.get(img)
            content = res.content
        except Exception as e:
            print(e)
            continue

        file_name = img.split("/")[-1] # 獲取文件名

        with open(path.format(file_name),"wb") as f:
            f.write(content)
            print(file_name,"成功下載文件")
            time.sleep(0.3)

    # 循環下載完畢，進行翻頁操作 previous-comment-page
    next = wait.until(
        EC.presence_of_element_located((By.XPATH, '//*[@id="comments"]//a[@class="previous-comment-page"]'))
    )
    next.click()
    return get_content()  # 繼續調用上面的網頁源碼分析流程

OK，運行一下。