斗图斗不过小伙伴？python多线程爬取斗图网表情包，助你成为斗图帝！

Posted 2022-12-06 哈拉泽空

最近python基础课讲到了多线程，老师让交个多线程的实例练习。于是来试试多线程爬虫，正好复习一下mooc上自学的嵩天男神的爬虫知识。想法很美好，过程却很心酸，从早上开始写，每次出现各种奇怪问题，到现在晚上了终于是搞好啦。害得我连晚上的课都没有听，不过最后看着文件夹中图片蹭蹭的往外冒，心里还是成就感爆棚~

咳咳，不多bb，本例子是在下面大佬的博客中看见学习的，

实例参考博客链接，根据这位大佬博客做了小小的改进https://www.cnblogs.com/jrb2018/p/10126753.html

先来看看我们的目标网站——https://www.doutula.com/

这是他的官方首页

这是我们选取的爬取板块，搜索想要爬取的关键词

ps.搜索词还是要“温柔”一点。。。表情包嘛，各位老哥懂得，大多都是很骚气的话，有一些还。。。哈哈。还是得给老师看点“温柔”的图，所以我搜索的是“心疼的抱住胖胖的你”

那么我们想要做到不仅仅爬取第一页的表情包，还想爬取第二页，第三页的表情包，只需要一个for循环，每次把url地址中的pages=修改即可

ok，选取了目标网址，我们来看看他的网页源代码。按ctrl+U

找到我们需要的图片所在的html代码区域

发现包含跟图片信息有关的标签是属性值为"random_picture"的这个div标签

这里我们需要每一张图片的url链接，它在这里。

用lxml库对标签树进行层层的解析，这里我也不太会用，参考的是上面贴出的博客。mooc上讲的是BeautifulSoup库，不过我想二者应该功能类似。

今天这个程序主要是踩了一下几个坑：

第一个坑：找目标网站。爬取时必须很好的分析网站的源代码，我刚开始把原博客中的爬取首页换成了另一个板块，结果死活没有结果。原来两个页面虽然很相近，但是标签的属性有着细微的差别。

第二个坑：爬取下来的图片的命名问题，因为改了爬取网站。我不是太会向原博客中的代码那样截取每张图片的名字。看了看每张图片的名字都很像（心疼的抱住胖胖的你啦，胖胖的你啦啥的），就索性都命名为“心疼的抱住胖胖的你”+“给一个编号”，这样对我这个初学者来说比较方便。

第三个坑：刚开始命名时没有给编号，全部都叫“心疼胖胖的你”。好家伙，pycharm里一条条的下载成功飞速滚动，文件夹里却始终只有一张图片不同的内容闪来闪去。我后来明白了文件名字不能相同，不然会覆盖，就加上了编号解决了这个问题。

第四个坑：代码中下载图片原来是使用的urlretrieve，但是存在图片下载只有一半或者打不开的问题，欢乐种方式，效果好一些。

用urlretrieve爬取的效果不好，大部分图片存在打不开的问题
requests.get(data).content
try:
    request.urlretrieve(url, 'images/' + filename)
    print(filename + ' 下载完成！')
except urllib.ContentTooShortError:
        print( 'Network conditions is nt good.Reloading.')
        urllib.urlretrieve(url, filename)

改一改

 with open("images//"+filename, 'wb') as f:
                f.write(requests.get(url, timeout=30, headers=self.headers).content)
                f.close()
                print(filename + ' 下载完成！')

---

---

---

下面给出源代码，大部分还是原博客的代码。文章如果哪里写的有歧义或者不对，请大家帮我指出来，毕竟我也只是一个python多线程和爬虫的初学者orz

#使用Queue对象实现多线程爬取斗图网表情包,图片命名方面还是做的不太好，不太会解析源码中的名字用的自定义名字
import threading
import requests
from lxml import etree
from urllib import request
import os
import re
import urllib
from queue import Queue

class Producer(threading.Thread):
    headers = 
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36',
        'cookie':'自己的cookie信息'
    
    def __init__(self, page_queue, img_queue, *args, **kwargs):
        super(Producer, self).__init__(*args, **kwargs)
        self.page_queue = page_queue
        self.img_queue = img_queue
    def run(self):
        while True:
            if self.page_queue.empty():
                break
            url = self.page_queue.get()
            self.parse_page(url)
    def parse_page(self, url):
        count=0
        response = requests.get(url, headers=self.headers)
        text = response.text
        html = etree.HTML(text)
        imgs = html.xpath("//div[@class='random_picture']//a//img")
        for img in imgs:
            #print(img.get('class'))
            if img.get('class') == 'gif':
                continue
            img_url = img.xpath(".//@data-backup")[0]
            if img_url.split('.')[-1] == 'gif':
                continue
            #print(img_url)
            suffix = os.path.splitext(img_url)[1]
            alt = "心疼的抱住胖胖的你"+str(count)
            count+=1
            alt = re.sub(r'[，。？?,/\\\\·]', '', alt)
            img_name = alt + suffix
            self.img_queue.put((img_url, img_name))

class Consumer(threading.Thread):
    headers = 
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36',
        'cookie': '自己的cookie信息'
    
    def __init__(self, page_queue, img_queue, *args, **kwargs):
        super(Consumer, self).__init__(*args, **kwargs)
        self.page_queue = page_queue
        self.img_queue = img_queue

    def run(self):

        while True:
            if self.img_queue.empty():
                if self.page_queue.empty():
                    return
            img = self.img_queue.get(block=True)
            url, filename = img
            with open("images//"+filename, 'wb') as f:
                f.write(requests.get(url, timeout=30, headers=self.headers).content)
                f.close()
                print(filename + ' 下载完成！')
            #用urlretrieve爬取的效果不好，大部分图片存在打不开的问题
            # requests.get(data).content
            # try:
            #     request.urlretrieve(url, 'images/' + filename)
            #     print(filename + ' 下载完成！')
            # except urllib.ContentTooShortError:
            #         print( 'Network conditions is nt good.Reloading.')
            #         urllib.urlretrieve(url, filename)


def main():
    page_queue = Queue(15)#存储网站每一页图片的url链接
    img_queue = Queue(20)
    for x in range(1, 10):
        url = "https://www.doutula.com/search?type=photo&more=1&keyword=%E5%BF%83%E7%97%9B%E7%9A%84%E6%8A%B1%E4%BD%8F%E8%83%96%E8%83%96%E7%9A%84%E4%BD%A0&page=" .format(str(x))#根据爬取网站不同页面的url地址规律设置爬取的每一页url链接
        #print(url)
        #url = "http://699pic.com/tupian/139787-.html".format(str(x))这是另一个图片网站，也可以试试这个
        #print(url)
        page_queue.put(url)

    for x in range(5):
        t = Producer(page_queue, img_queue)
        t.start()

    for x in range(5):
        t = Consumer(page_queue, img_queue)
        t.start()

if __name__ == '__main__':
    main()

看看效果

芜湖~太香啦~赶紧发到宿舍群里试试，舍友们手段极其残忍

哈哈哈哈，碎觉碎觉，狗命要紧

---

补充一波，如果要是爬取失败的同学，看看是不是保存的文件路径的问题。
cookie信息不写貌似也能爬下来。保险起见这有个找自己的cookie信息的方法视频教程：https://v.qq.com/x/page/f0951sww5ms.html
只不过是爬取淘宝网时的，大家在把网址换成斗图网也按视频里的步骤就可以了