我用 Python 爬取了妹子网100G的套图

·  阅读 21835
原文链接: mp.weixin.qq.com

前言

最近在做监控相关的配套设施,发现很多脚本都是基于Python的。很早之前就听说其大名,人生苦短,我学Python,这并非一句戏言。随着人工智能、机器学习、深度学习的崛起,目前市面上大部分的人工智能的代码 大多使用Python 来编写。所以人工智能时代,是时候学点Python了。

进军指南

对于没有任何语言开发经验的同学,建议从头系统的学起,无论是书、视频还是文字教程都可以。 

如果是有其他语言开发经验的同学,建议从一个案例入手,比如爬取某个网站的套图。

因为语言都是想通的,语法之类的只要你要语感,代码基本能读个八九不离十。

所以不建议有经验的开发者从头学起,无论是视频还是书,对于开始学一门语言来说都是太浪费时间了。

当然,等你深入进去以后,还是要系统的去学习,这是后话。

软件工具

Python3

这里选择的是最新版 Python 3.7.1

安装教程推荐:

http://www.runoob.com/python3/python3-install.html

Win下载地址:

https://www.python.org/downloads/windows

Linux下载地址:

https://www.python.org/downloads/source

PyCharm

可视化开发工具:

http://www.jetbrains.com/pycharm

案例

实现步骤

以妹子图为例,其实很简单,分以下四步:

  • 获取首页的页码数,并创建与页码对应的文件夹

  • 获取页面的栏目地址

  • 进入栏目,获取栏目页码数(每个栏目下有多张图片,分页显示)

  • 获取到栏目下对用标签中的图片并下载

注意事项

爬取过程中,还需要注意以下几点,可能对你有所帮助:

1)导库,其实就类似于Java中框架或者是工具类,底层都被封装好了

安装第三方库

# Win下直接装的 python3

pip install bs4、pip install requests

# Linux python2 python3 共存

pip3 install bs4、pip3 install requests复制代码

导入第三方库

# 导入requests库

import requests

# 导入文件操作库

import os

# bs4全名BeautifulSoup,是编写python爬虫常用库之一,主要用来解析html标签。

import bs4

from bs4 import BeautifulSoup

# 基础类库

import sys

# Python 3.x 解决中文编码问题

import importlib

importlib.reload(sys)复制代码

2)定义方法函数,一个爬虫可能会几百行,所以尽量不要写成一坨

def download(page_no, file_path):

    # 这里写代码逻辑复制代码

3)定义全局变量

# 给请求指定一个请求头来模拟chrome浏览器

global headers # 告诉编译器这是全局变量 headers 

headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36'}

# 函数内使用之前需要

# 告诉编译器我在这个方法中使用的a是刚才定义的全局变量 headers ,而不是方法内部的局部变量。

global headers复制代码

4)防盗链

有些网站加入了防盗链,无所不能的 python 解决方案

headers = {'Referer': href}

img = requests.get(url, headers=headers)复制代码

5)切换版本

Linux服务器使用的是阿里云服务器,默认版本 python2,python3 自行安装

[root@AY140216131049Z mzitu]# python2 -V

Python 2.7.5

[root@AY140216131049Z mzitu]# python3 -V

Python 3.7.1

# 默认版本

[root@AY140216131049Z mzitu]# python -V

Python 2.7.5

# 临时切换版本 <whereis python>

[root@AY140216131049Z mzitu]# alias python='/usr/local/bin/python3.7'

[root@AY140216131049Z mzitu]# python -V

Python 3.7.1复制代码

6)异常捕获

在爬取的过程中可能存在异常页面,这里我们进行捕获,不影响后续操作

try:

    # 业务逻辑

except Exception as e:

   print(e)复制代码

代码实现

编辑脚本:vi mzitu.py

#coding=utf-8

#!/usr/bin/python

# 导入requests库

import requests

# 导入文件操作库

import os

import bs4

from bs4 import BeautifulSoup

import sys

import importlib

importlib.reload(sys)

# 给请求指定一个请求头来模拟chrome浏览器

global headers

headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36'}

# 爬图地址

mziTu = 'http://www.mzitu.com/'

# 定义存储位置

global save_path

save_path = '/mnt/data/mzitu'

# 创建文件夹

def createFile(file_path):

    if os.path.exists(file_path) is False:

        os.makedirs(file_path)

    # 切换路径至上面创建的文件夹

    os.chdir(file_path)

# 下载文件

def download(page_no, file_path):

    global headers

    res_sub = requests.get(page_no, headers=headers)

    # 解析html

    soup_sub = BeautifulSoup(res_sub.text, 'html.parser')

    # 获取页面的栏目地址

    all_a = soup_sub.find('div',class_='postlist').find_all('a',target='_blank')

    count = 0

    for a in all_a:

        count = count + 1

        if (count % 2) == 0:

            print("内页第几页:" + str(count))

            # 提取href

            href = a.attrs['href']

            print("套图地址:" + href)

            res_sub_1 = requests.get(href, headers=headers)

            soup_sub_1 = BeautifulSoup(res_sub_1.text, 'html.parser')

            # ------ 这里最好使用异常处理 ------

            try:

                # 获取套图的最大数量

                pic_max = soup_sub_1.find('div',class_='pagenavi').find_all('span')[6].text

                print("套图数量:" + pic_max)

                for j in range(1, int(pic_max) + 1):

                    # print("子内页第几页:" + str(j))

                    # j int类型需要转字符串

                    href_sub = href + "/" + str(j)

                    print(href_sub)

                    res_sub_2 = requests.get(href_sub, headers=headers)

                    soup_sub_2 = BeautifulSoup(res_sub_2.text, "html.parser")

                    img = soup_sub_2.find('div', class_='main-image').find('img')

                    if isinstance(img, bs4.element.Tag):

                        # 提取src

                        url = img.attrs['src']

                        array = url.split('/')

                        file_name = array[len(array)-1]

                        # print(file_name)

                        # 防盗链加入Referer

                        headers = {'Referer': href}

                        img = requests.get(url, headers=headers)

                        # print('开始保存图片')

                        f = open(file_name, 'ab')

                        f.write(img.content)

                        # print(file_name, '图片保存成功!')

                        f.close()

            except Exception as e:

                print(e)

# 主方法

def main():

    res = requests.get(mziTu, headers=headers)

    # 使用自带的html.parser解析

    soup = BeautifulSoup(res.text, 'html.parser')

    # 创建文件夹

    createFile(save_path)

    # 获取首页总页数

    img_max = soup.find('div', class_='nav-links').find_all('a')[3].text

    # print("总页数:"+img_max)

    for i in range(1, int(img_max) + 1):

        # 获取每页的URL地址

        if i == 1:

            page = mziTu

        else:

            page = mziTu + 'page/' + str(i)

        file = save_path + '/' + str(i)

        createFile(file)

        # 下载每页的图片

        print("套图页码:" + page)

        download(page, file)

if __name__ == '__main__':    main()
 
    

    
    复制代码
    

脚本在Linux服务器下运行,执行以下命令

python 3 mzitu.py 

# 或者后台执行

nohup python3 -u mzitu.py > mzitu.log 2>&1 &复制代码

目前只爬取了一个栏目的套图,一共17G,5332张图片。

[root@itstyle mzitu]# du -sh 

17G     .

[root@itstyle mzitu]# ll -s

total 5332复制代码

下面,请小伙伴们睁大眼睛,鸡冻人心的套图时刻来了。

小结

作为一个初学者,脚本肯定多多少少有一些问题或者待优化的地方,如遇Python大婶,还请多多指教。

其实脚本很简单,从配置环境、安装集成开发环境、编写脚本到整个脚本顺利执行,差不多花费了四五个小时,最终脚本一根筋的执行。限于服务器带宽以及配置的影响,17G的图差不多下载了三四个小时,至于剩下的83G,小伙伴们自行下载吧。

—END—


收藏成功!
已添加到「」, 点击更改