requests + BeautifulSoup + urllib 爬取并下载网站图片到本地（二）

这篇是上一篇的进阶版，虽然也是下载图片到本地，但比上一篇复杂了许多，上一篇只是下载当前页的图片到本地，这一篇是下载整站的详情页图片到本地，涉及了连续多页爬取，根据 item 创建文件夹保存每个详情页的图片，爬取的数据量大大提升了好几十几百。

准备工作

开发环境：Windows，Pycharm，Request，BeautifulSoup，urllib
需要一定的 Python 爬虫、HTML 基础

开始动身

本次要爬取的网站依然是帅啊网我们需要把整站的详情页图片下载到本地

制作爬虫
1. 由于获取下来的 html 编码格式不对，所以要指定编码格式为 utf-8
2. 获取页面中每个 item 的详情页链接
3. 获取详情页的所有图片链接（单个或多个）
4. 以 item 的标题为文件夹，将详情页的图片下载到该文件夹中
5. 抓取下一页（重复 2、3、4 步骤）

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

headers = {
    "Cookie": "gsScrollPos-1702684443=0; UM_distinctid=16685e0279d3e0-06f34603dfa898-36664c08-1fa400-16685e0279e133; bdshare_firstime=1539844405694; _d_id=6556c25e9ddd0e7e71096a1e343f6b; gsScrollPos-1702684407=; CNZZDATA1254092508=1744643453-1539842703-%7C1540364765",
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36",
}
path = "D://images/"

def get_links(url):
    wb_data = requests.get(url, headers=headers)  # headers 伪装
    wb_data.encoding = "utf-8"
    soup = BeautifulSoup(wb_data.text, 'lxml')

    if wb_data.status_code == 404:
        return

    if not os.path.exists(path):  # 判断该文件夹是否存在，不存在则创建
        os.mkdir(path)
    links = soup.select(".item-img")

    for link in links:
        download_img(link.get('href'))
        time.sleep(1)

    # 下一页
    next_page = soup.select(".next")[0].get("href")
    print("------ next page -------")
    get_links(next_page)

    print("------ download done -------")

def download_img(url):
        wb_data = requests.get(url, headers=headers)
        wb_data.encoding = "utf-8"
        soup = BeautifulSoup(wb_data.text, 'lxml')
        images = soup.select(".wr-single-content-list img")
        catalog = soup.select("h1")[0].get_text()  # 获取详情页标题作为文件夹名称
        catalog = path + catalog + "/"
        if not os.path.exists(catalog):
            os.mkdir(catalog)
        for index, image in enumerate(images): # enumerate 是 Python 的内置函数，用它可以同时返回索引和值
            print(index)
            img = image.get("src")
            urllib.request.urlretrieve(img, catalog + str(index) + ".jpg")
        print("-------- downloading ---------")

if __name__ == "__main__":

    get_links("http://www.shuaia.net/index.html")

开始爬取