对Python爬虫编写者充满诱惑的网站,《可爱图片网》,瞧人这网站名字起的

本文已参与 「掘力星计划」 ，赢取创作大礼包，挑战创作激励金。

可爱图片网双线程爬取

这篇博客要对 Python 爬虫进行提速了，实现双线程爬虫。而且在爬取过程中，还有意外收货。

爬取目标分析

爬取目标

• 可爱图片网 www.keaitupian.net/
• 图片分类非常丰富，想要抓取的都有，例如 可爱女生，性感美女，不过为了更好的学习技术，我决定只抓卡通动漫分类图片，其它的留给各位大佬读者了。

使用的 Python 模块

• 本次使用 requests，re，threading。
• 新增加线程并行模块 threading。

重点学习内容

1. 爬虫基本套路；
2. 不确定页码数据爬取；
3. 固定线程数爬虫。

列表页与详情页分析

• 列表页抓取卡通动漫图片，故列表页为 https://www.keaitupian.net/dongman/，点击多个页码，可得到如下规则：
• www.keaitupian.net/dongman/lis…
• www.keaitupian.net/dongman/lis…
• www.keaitupian.net/dongman/lis…

由于列表总页数无法直接获取到，顾使用大数测试，当输入 https://www.keaitupian.net/dongman/list-110.html 时，页面展示为不存在，如下图所示。

实际测试之后，得到该分类下列表页存在 77 页。

点击任意图片详情页，查看图片页具体内容，发现详情页也存在翻页，而且该翻页可以在列表页之间跳转，例如下图翻页到 9/9 之后，可进入到下一套图中。因此可以直接针对详情页进行数据抓取。

获取列表第 77 页最后一组照片，查看最后一组照片翻页数据代码，发现最后向右侧翻页代码为空，即无法翻页。

最后一页数据查看：https://www.keaitupian.net/article/280-8.html#。

目标网站分析完毕，梳理整体逻辑，出需求。

整理需求逻辑

1. 随机选择一详情页地址，作为爬虫起始页面；
2. 一线程保存图片；
3. 一线程保存下一页地址。

编码时间

抓取目标请求地址

基于上述需求，首先实现循环获取 URL 的线程，该线程主要用于反复爬取 URL 地址，保存至一全局列表中。

需要使用到 threading.Thread 创建线程与启动线程，同时为保证线程之间的数据传递，需要用到线程互斥锁。

锁的声明：

mutex = threading.Lock()

锁的使用：

global urls
# 上锁
mutex.acquire()

urls.append(next_url)
mutex.release()

编写 URL 获取地址代码如下：

import requests
import re
import threading
import time

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36"}

# 全局 urls
urls = []

mutex = threading.Lock()


# 循环获取URL
def get_image(start_url):
    global urls
    urls.append(start_url)
    next_url = start_url
    while next_url != "#":
        res = requests.get(url=next_url, headers=headers)

        if res is not None:
            html = res.text
            pattern = re.compile('<a class="next_main_img" href="(.*?)">')
            match = pattern.search(html)
            if match:
                next_url = match.group(1)
                if next_url.find('www.keaitupian') < 0:
                    next_url = f"https://www.keaitupian.net{next_url}"
                print(next_url)
                # 上锁
                mutex.acquire()

                urls.append(next_url)
                # 释放锁
                mutex.release()


if __name__ == '__main__':
    # 获取图片线程
    gets = threading.Thread(target=get_image, args=(
        "https://www.keaitupian.net/article/202389.html",))
    gets.start()

运行代码，得到待抓取的目标地址，控制台输出如下内容：

提取目标地址图片

下面即为最后一个步骤，通过上述代码抓取到的链接地址，提取图片地址，并保存图片。

保存图片也为一个线程，该线程对应的 save_image 函数如下：

# 保存图片线程
def save_image():
    global urls
    print(urls)

    while True:
     	# 上锁
        mutex.acquire()
        if len(urls) > 0:
        	# 获取列表第一项
            img_url = urls[0]
            # 删除列表第一项
            del urls[0]
            # 释放锁
            mutex.release()
            res = requests.get(url=img_url, headers=headers)

            if res is not None:
                html = res.text

                pattern = re.compile(
                    '<img class="img-responsive center-block" src="(.*?)"/>')

                img_match = pattern.search(html)

                if img_match:
                    img_data_url = img_match.group(1)
                    print("抓取图片中：", img_data_url)
                    try:
                        res = requests.get(img_data_url)
                        with open(f"images/{time.time()}.png", "wb+") as f:
                            f.write(res.content)
                    except Exception as e:
                        print(e)
        else:
            print("等待中，长时间等待，可以直接关闭")

同步在主函数中增加基于该函数的线程，并启动：

if __name__ == '__main__':
    # 获取图片线程
    gets = threading.Thread(target=get_image, args=(
        "https://www.keaitupian.net/article/202389.html",))
    gets.start()

    save = threading.Thread(target=save_image)
    save.start()