爬无止境：用Python爬取漫画岛，我又刑了!!

Posted 2022-11-28 yunyun云芸

一、效果展示

首先是我们想要爬取的漫画网页：http://www.manhuadao.cn/

网页截图：

其次是爬取下来的效果：

二、实现原理

1、准备：需要vscode或者其他能够编译运行python的软件，推荐python版本3.X ，否则有可能出现编译问题。

下载所需模块：win+R进入命令行，输入pipinstall <模块名>即可下载。例如：

pip install beautifulsoup4

2、原理： 模拟浏览器点击->打开漫画网页链接->获取网页源码->定位每一章漫画的链接->模拟点击->获取图片页面源码->定位图片链接->下载图片

三、操作过程

1、引入模块
　　　

2、模拟浏览器访问网页

1.这里我们打开漫画的目录页，如下： url = ”http://www.manhuadao.cn/Home/ComicDetail?id=58ddb07827a7c1392c234628“ ，此链接就是目录页链接。

2.按F12打开此网页的源码我用的是谷歌浏览器，选中上方NetWork，Ctrl+R刷新。

3.找到加载网页的源码文件，点击Headers，如下图： StatusCode表示网页返回的代码，值为200时表示访问成功。

4.headers中的参数为下面红框User-Agent。

response = requests.get(url=url, headers=headers)  # 模拟访问网页
print(response)  # 此处应输出   <Response [200]>
print(response.text)   # 输出网页源码

两个输出分别输出：
输出返回200表示访问成功。

5.将html代码存入 data 中，xpath定位每一章链接。点击上方Element，点击：

将鼠标移至目录处：

右边代码区域出现每一章链接：

data = etree.HTML(response.text)
# tp = data.xpath('//ul[@class="read-chapter"]/li/a[@class="active"]/@href')
tp = data.xpath('//*[@class="yesReader"]/@href')
zhang_list = tp   # tp为链接列表

输出zhang_list，结果如下：

6.获取图片链接（获取方式同上一步），点进第一章，同上一步，寻找到图片链接：

i=1
for next_zhang in zhang_list:    # 在章节列表中循环
    i=i+1
    j=0
    hui_url = r_url+next_zhang
    name1 = "第"+str(i)+"回"
    file = 'C:/Users/wangyueke/Desktop/'+keyword+'//'.format(name1)   # 创建文件夹
    if not os.path.exists(file):
        os.makedirs(file)
        print('创建文件夹：', file)
    response = requests.get(url=hui_url, headers=headers)    # 模拟访问每一章链接
    data = etree.HTML(response.text)
    # tp = data.xpath('//div[@class="no-pic"]//img/@src')
    tp = data.xpath('//div[@class="main-content"]//ul//li//div[@class="no-pic"]//img/@src')   # 定位
    ye_list = tp

四、下载图片

for k in ye_list:    # 在每一章的图片链接列表中循环
    download_url = tp[j]
    print(download_url)
    j=j+1
    file_name="第"+str(j)+"页"
    response = requests.get(url=download_url)    # 模拟访问图片链接
    with open(file+file_name+".jpg","wb") as f:
        f.write(response.content)

五、参考源码

import requests
import json
import time
import os
from lxml import etree
from bs4 import BeautifulSoup
 
 
def main():
    keyword="非人哉"
    file = 'E:/'.format(keyword)
    if not os.path.exists(file):
        os.mkdir(file)
        print('创建文件夹：',file)
    r_url="http://www.manhuadao.cn/"
    url = "http://www.manhuadao.cn/Home/ComicDetail?id=58ddb07827a7c1392c234628"
    headers =   # 模拟浏览器访问网页
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) \\\\Chrome/75.0.3770.142 Safari/537.36'
    response = requests.get(url=url, headers=headers)
    # print(response.text)   # 输出网页源码
    data = etree.HTML(response.text)
    # tp = data.xpath('//ul[@class="read-chapter"]/li/a[@class="active"]/@href')
    tp = data.xpath('//*[@class="yesReader"]/@href')
    zhang_list = tp
    i=1
    for next_zhang in zhang_list:
        i=i+1
        j=0
        hui_url = r_url+next_zhang
        name1 = "第"+str(i)+"回"
        file = 'C:/Users/wangyueke/Desktop/'+keyword+'//'.format(name1)    # 这里需要自己设置路径
        if not os.path.exists(file):
            os.makedirs(file)
            print('创建文件夹：', file)
        response = requests.get(url=hui_url, headers=headers)
        data = etree.HTML(response.text)
        # tp = data.xpath('//div[@class="no-pic"]//img/@src')
        tp = data.xpath('//div[@class="main-content"]//ul//li//div[@class="no-pic"]//img/@src')
        ye_list = tp
        for k in ye_list:
            download_url = tp[j]
            print(download_url)
            j=j+1
            file_name="第"+str(j)+"页"
            response = requests.get(url=download_url)
            with open(file+file_name+".jpg","wb") as f:
                f.write(response.content)
 
 
if __name__ == '__main__':
    main()

薅羊毛真的特别使人有满足感，感兴趣了解更多有趣的爬虫，关注我，三连，后续更精彩。Python技术交流，接单交流，有趣的源码共享，领取获得。