Python 爬虫入门

听说你写代码没动力？本文就给你动力，爬取妹子图。如果这也没动力那就没救了。

GitHub 地址: /injetlee/Python/blob/master/%E7%88%AC%E8%99%AB%E9%9B%86%E5%90%88/meizitu.py

公众号：【智能制造专栏】。欢迎关注，分享智能制造与编程那些事。

爬虫成果

当你运行代码后,文件夹就会越来越多，如果爬完的话会有2000多个文件夹，20000多张图片。不过会很耗时间，可以在最后的代码设置爬取页码范围。

本文目标

熟悉 Requests 库，Beautiful Soup 库熟悉多线程爬取送福利，妹子图

网站结构

我们从 /a/more_1.html 这个链接进去，界面如图一所示

图一：

可以看到是一组一组的套图，点击任何一组图片会进入到详情界面，如图二所示

图二:

可以看到图片是依次排开的，一般会有十张左右的图片。

实现思路

看了界面的结构，那么我们的思路就有了。

构造 url 链接，去请求图一所示的套图列表界面，拿到每一个页面中的套图列表。分别进入每个套图中去，下载相应的图片。

代码说明

下载界面的函数,利用 Requests 很方便实现。

def download_page(url):'''用于下载页面'''headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/0101 Firefox/61.0"}r = requests.get(url, headers=headers)r.encoding = 'gb2312'return r.text

获取图一所示的所有套图列表,函数中 link 表示套图的链接，text表示套图的名字

def get_pic_list(html):'''获取每个页面的套图列表,之后循环调用get_pic函数获取图片'''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') # 套图链接text = a_tag.get_text() # 套图名字get_pic(link, text)

传入上一步中获取到的套图链接及套图名字,获取每组套图里面的图片,并保存,我在代码中注释了。

def get_pic(link, text):'''获取当前页面的图片,并保存'''html = download_page(link) # 下载界面soup = BeautifulSoup(html, 'html.parser')pic_list = soup.find('div', id="picture").find_all('img') # 找到界面所有图片headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/0101 Firefox/61.0"}create_dir('pic/{}'.format(text))for i in pic_list:pic_link = i.get('src') # 拿到图片的具体 urlr = requests.get(pic_link, headers=headers) # 下载图片，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)

完整代码

完整代码如下，包括了创建文件夹，利用多线程爬取，我设置的是5个线程，可以根据自己机器自己来设置一下。

import requestsimport osimport timeimport threadingfrom bs4 import BeautifulSoupdef download_page(url):'''用于下载页面'''headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/0101 Firefox/61.0"}r = requests.get(url, headers=headers)r.encoding = 'gb2312'return r.textdef get_pic_list(html):'''获取每个页面的套图列表,之后循环调用get_pic函数获取图片'''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):'''获取当前页面的图片,并保存'''html = download_page(link) # 下载界面soup = BeautifulSoup(html, 'html.parser')pic_list = soup.find('div', id="picture").find_all('img') # 找到界面所有图片headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/0101 Firefox/61.0"}create_dir('pic/{}'.format(text))for i in pic_list:pic_link = i.get('src') # 拿到图片的具体 urlr = requests.get(pic_link, headers=headers) # 下载图片，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，不要给网站太大压力，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)] # 构造 url 链接 页码。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: # 最大线程数设置为 5cur_page = queue.pop(0)url = '/a/more_{}.html'.format(cur_page)thread = threading.Thread(target=execute, args=(url,))thread.setDaemon(True)thread.start()print('{}正在下载{}页'.format(threading.current_thread().name, cur_page))threads.append(thread)if __name__ == '__main__':main()

好了，之后运行，我们的爬虫就会孜孜不倦的为我们下载漂亮妹子啦。