不會吧，學過爬蟲連這個網站都爬不了？那Python豈不是白學了

本文內容

1. 系統分析目標網頁
2. html標簽數據解析方法
3. 海量圖片數據一鍵保存

環境介紹

• python 3.8
• pycharm

模塊使用

• requests >>> pip install requests
• parsel >>> pip install parsel
• time 時間模塊 記錄運行時間

通用爬蟲

導入模塊

import requests  # 數據請求模塊 第三方模塊 pip install requests
import parsel  # 數據解析模塊 第三方模塊 pip install parsel
import re  # 正則表達式模塊

 

請求數據

url = f'https://fabiaoqing.com/biaoqing/lists/page/{page}html'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
# <Response [200]> response 對象 200狀態碼 表示請求成功

 

解析數據

解析速度 bs4 解析速度會慢一些，如果你想要對於字符串數據內容，直接取值，只能正則表達式

selector = parsel.Selector(response.text) # 把獲取下來html字符串數據內容 轉成 selector 對象
title_list = selector.css('.ui.image.lazy::attr(title)').getall()
img_list = selector.css('.ui.image.lazy::attr(data-original)').getall()
# 把獲取下來的這兩個列表 提取里面元素 一一提取出來
# 提取列表元素 for循環 遍歷
for title, img_url in zip(title_list, img_list):
    title = re.sub(r'[\/:*?"<>|\n]', '_', title)
    # 名字太長 報錯
    img_name = img_url.split('.')[-1]   # 通過split() 字符串分割的方法 根據列表索引位置取值
    img_content = requests.get(url=img_url).content # 獲取圖片的二進制數據內容

 

保存數據

with open('img\\' + title + '.' + img_name, mode='wb') as f:
    f.write(img_content)
print(title)

 

共耗時：61秒

多線程爬蟲

發送求情

def get_response(html_url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36'
    }
    response = requests.get(url=html_url, headers=headers)
    return response

 

獲取圖片url地址，以及圖片名字

def get_img_info(html_url):
    response = get_response(html_url)
    selector = parsel.Selector(response.text)  # 把獲取下來html字符串數據內容 轉成 selector 對象
    title_list = selector.css('.ui.image.lazy::attr(title)').getall()
    img_list = selector.css('.ui.image.lazy::attr(data-original)').getall()
    zip_data = zip(title_list, img_list)
    return zip_data

 

保存數據

def save(title, img_url):
    title = re.sub(r'[\/:*?"<>|\n]', '_', title)
    # 名字太長 報錯
    img_name = img_url.split('.')[-1]  # 通過split() 字符串分割的方法 根據列表索引位置取值
    img_content = requests.get(url=img_url).content  # 獲取圖片的二進制數據內容
    with open('img\\' + title + '.' + img_name, mode='wb') as f:
        f.write(img_content)
    print(title)

 

主函數

def main(html_url):
    zip_data = get_img_info(html_url)
    for title, img_url in zip_data:
        save(title, img_url)

 

入口

if __name__ == '__main__':
    start_time = time.time()
    exe = concurrent.futures.ThreadPoolExecutor(max_workers=10)
    for page in range(1, 11):
        url = f'https://fabiaoqing.com/biaoqing/lists/page/{page}html'
        exe.submit(main, url)
    exe.shutdown()
    end_time = time.time()
    use_time = int(end_time - start_time)
    print('程序耗時: ', use_time)

 

共耗時：19秒

對於本篇文章有疑問的同學可以加【資料白嫖、解答交流群：1039649593】