一、什么是爬虫

  什么是爬虫?爬虫是蜘蛛么?是八爪鱼么?nonono。

 

 

 

  爬虫是指请求网站并获取数据的自动化程序,又称网页蜘蛛或网络机器,最常用领域是搜索引擎,最常用的工具是八爪鱼。

  它的基本流程分为以下五部分,依次是:

    明确需求——发送请求——获取数据——解析数据——存储数据。

  爬虫的三大特点:

    • 网页都有唯一的URL(统一资源定位符,也就是网址)进行定位
    • 网页都使用HTML(定位超文本标记语言)来描述页面信息
    • 网页都使用HTTP/HTTPS(超文本传输协议)协议来传输HTML数据

   爬虫可以由什么编写呢:

    编写爬虫的语言有很多,但用的最多最广的还应该是Python,并且也诞生了很多优秀的库和框架,如scrapy、BeautifulSoup 、pyquery、Mechanize等。但是一般来说,搜索引擎的爬虫对爬虫的效率要求更高,会选用c++、java、go(适合高并发)。

 

二、爬虫前期准备工作

1、准备一台性能良好的电脑

  电脑要求:windows7以上,内存四核8G以上

2、安装python环境

  python官网下载地址:

    https://www.python.org/downloads/release/python-395/

  安装流程:

    请自行百度。

 

3、安装所需要的扩展

  咱们主要使用以下四个扩展:

import os # python自带扩展不需要安装
import requests   # pip install requests
from urllib import request  # python自带扩展不需要安装
from bs4 import BeautifulSoup  # 安装命令:pip install bs4

  

4、查找一个可读取源码的图片网站

 

注意注意:此链接仅供学习参考,请勿非法批量爬取,任何不听劝阻,一意孤行者,如若产生违法乱纪之事,请自行承担。(开发不易,且行且珍惜)

抓取图片的地址:https://www.umei.cc/meinvtupian/meinvxiezhen/

 

 

三、分析网站源码

1、分析源码,得到获取源码的三个方向(编码格式、请求方式、header请求头)

  1.   windows默认是gbk的编码格式,网页一般默认是utf-8的编码,所以直接用windows电脑抓取网页内容信息的时候可能会遇到乱码的问题,所以请求的时候统一编码格式保证数据不乱吗   
  2.   请求方式有post、get、put等方式校验,所以选择对的请求方式获取页面信息,如果不争取可能会出现404找不到页面或者500服务器错误   
  3.   header请求头包含很多阴性信息,如果我们常见的,如:反爬机制、token校验、cookie校验等等

 

2、查找列表页的唯一节点

 

 

3、根据图片排版,查找源码规律(相同的li标签获取节点)

 

 

4、获取列表的最后一页,获取最后一页的页码(NewPages节点下的尾页,代表最后141页)

 

根据图片分页的页码地址规律,我们能得到(特别注意:第一页不能使用  index_1.htm  来查询):
https://www.umei.net/meinvtupian/meinvxiezhen/                    第一页没有index
https://www.umei.net/meinvtupian/meinvxiezhen/index_2.htm
https://www.umei.net/meinvtupian/meinvxiezhen/index_3.htm
https://www.umei.net/meinvtupian/meinvxiezhen/index_4.htm
https://www.umei.net/meinvtupian/meinvxiezhen/index_5.htm
https://www.umei.net/meinvtupian/meinvxiezhen/index_6.htm
https://www.umei.net/meinvtupian/meinvxiezhen/index_7.htm
https://www.umei.net/meinvtupian/meinvxiezhen/index_8.htm
https://www.umei.net/meinvtupian/meinvxiezhen/index_9.htm
......

 

  

 

 

 

5、根据每一个图片链接,进入图片详情

根据上题3可以看出,图片详情的地址为:

https://www.umei.net/meinvtupian/meinvxiezhen/233941.htm

  

 

6、查找图片详情的地址规律,获取所有的详情子图片地址

根据图片详情可以查看出来每一个子图片的详情地址:
https://www.umei.net/meinvtupian/meinvxiezhen/233941.htm
https://www.umei.net/meinvtupian/meinvxiezhen/233941_2.htm
https://www.umei.net/meinvtupian/meinvxiezhen/233941_3.htm
https://www.umei.net/meinvtupian/meinvxiezhen/233941_4.htm
https://www.umei.net/meinvtupian/meinvxiezhen/233941_5.htm
https://www.umei.net/meinvtupian/meinvxiezhen/233941_6.htm
https://www.umei.net/meinvtupian/meinvxiezhen/233941_7.htm
https://www.umei.net/meinvtupian/meinvxiezhen/233941_8.htm
https://www.umei.net/meinvtupian/meinvxiezhen/233941_9.htm

 

 

 

 

7、根据地址抓取图片流,保留本地

  根据题6获取的图片地址进行爬取图片信息,保存到本地,页面分析到此结束,废话不多说,直接上代码,赶紧抓取。

四、开始编写我们的爬虫脚本

1、封装式代码

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2021/06/06 14:48
# @Author  : Liu
# @Site    : 
# @File    : 美图小姐姐.py
# @Software: PyCharm

import requests
import time
import os
import re
from urllib import request
from bs4 import BeautifulSoup

url_address = "https://www.umei.cc"

def get_url_path(url):
    """
    获取地址内容信息
    :param url:
    :return:
    """
    # time.sleep(1)  # 获取源码的时候睡眠一秒
    obj = requests.get(url)
    obj.encoding = obj.apparent_encoding
    return obj.text


def get_page_info():
    """
    抓取每页信息
    :return:
    """
    nums = int(input("输入抓取的页数:"))
    for i in range(nums):
        if i < 1:
            url = f"{ url_address }/meinvtupian/meinvxiezhen/"
        else:
            url = f"{ url_address }/meinvtupian/meinvxiezhen/index_{i + 1}.htm"
        ret = get_url_path(url)  # 获取页面信息
        get_bs4(ret)  # 逐页抓取页面信息
        print(f"第{i+1}页完成")
    pass


def get_bs4(ret):
    soup = BeautifulSoup(ret, "html.parser")
    li_list = soup.select(".TypeList")[0].find_all(name="li")
    for i in li_list:
        # 先获取第一张图片
        img_src = url_address + i.a["href"]
        ret1 = get_url_path(img_src)  # 获取页面信息
        get_image_info(ret1, i.a.span.string, 1)

        # print(ret1)

        # 获取分页后的页面图片数量
        # script_reg = r'<script type="text\/javascript">Next\("\d+","(?P<num>\d+)",.*?\)<\/script>'
        script_reg = r'<a href="/meinvtupian/meinvxiezhen/(?P<num>[0-9_]+).htm">尾页</a>'
        num_str = re.search(script_reg, ret1, re.S).group("num")
        page_num = int(num_str.split("_")[1])  # 获取图片数量

        img_lst = os.path.basename(i.a["href"]).split(".")  # 获取图片的后缀
        img_dir = os.path.dirname(i.a["href"])   # 获取图片的地址路径
        for j in range(2, page_num+1):
            img_src = f"{ url_address }{img_dir}/{img_lst[0]}_{j}.{img_lst[1]}"
            res = get_url_path(img_src)  # 获取页面信息
            get_image_info(res, i.a.span.string, j)


def get_image_info(ret, name, i):
    soup = BeautifulSoup(ret, "html.parser")
    img = soup.select(".ImageBody img")[0]
    image_path = img["src"]  # 获取图片地址
    image_name = name  # 获取图片中文所属
    img_name = f"{image_name}_{i}.{os.path.basename(image_path).split('.')[1]}"  # 获取图片真实名字
    # 图片存储
    image_dir = f"girl/{image_name}"
    if not os.path.isdir(image_dir):
        os.makedirs(image_dir)
    # 远程打开图片写入到本地  第一种方式open
    # with open(f"{image_dir}/{img_name}", mode="wb") as add:
    #     add.write(requests.get(image_path).content)
    # 远程打开图片写入到本地  第二种方式urllib
    request.urlretrieve(image_path, filename=f"{image_dir}/{img_name}")


print("已经开始执行了,可能需要等待一会,请您耐心等待!")
begin_time = int(time.time())
get_page_info()
end_time = int(time.time())
print(f"当前脚本执行了{end_time - begin_time}秒")
print("执行已经结束了")

 

2、简单的爬取首页展示图片代码

import os
import requests
from bs4 import BeautifulSoup
from urllib import request

url_address = 'https://www.umei.cc'
list_url = url_address + '/meinvtupian/meinvxiezhen/'
obj = requests.get(list_url)
obj.encoding = obj.apparent_encoding
content = obj.text

# 格式化页面 soup
= BeautifulSoup(content, 'html.parser') li_soup = soup.select(".TypeList")[0].findAll("li") dir = "./girls/" for i in li_soup: if not os.path.isdir(dir): os.makedirs(dir) img_path = i.img["src"] img_suffix = os.path.basename(img_path).split('.')[1] img_url = dir + i.span.string + '.' + img_suffix request.urlretrieve(img_path, img_url)