熊孩子说“你没看过奥特曼”,赶紧用Python学习一下,没想到
Posted 梦想橡皮擦
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了熊孩子说“你没看过奥特曼”,赶紧用Python学习一下,没想到相关的知识,希望对你有一定的参考价值。
没想到奥特曼竟然还真的有这么多种类。
Python 爬虫 120 例,已完成文章清单
本篇博客目标
爬取目标
-
爬取 60+ 奥特曼,目标数据源: http://www.ultramanclub.com/?page_id=1156
使用框架
- requests,re
重点学习的内容
- get 请求;
- requests 请求超时设定,timeout 参数;
- re 模块正则表达式;
- 数据去重;
- URL 地址拼接。
列表页分析
经过开发者工具的简单查阅,得到全部奥特曼卡片所在的 DOM 标签为 <li class="item"></li>
详情页所在的标签为 <a = href="详情页" ……
具体标签所在元素如下图所示:
稍后根据实际请求数据,整理一下正则表达式。
详情页
点击任意目标数据,进入详情页,详情页获取奥特曼图片,图片地址所在位置如下图所示。
右键可获得图片的所在标签。
整理需求如下
- 通过列表页,爬取全部奥特曼详情页的地址;
- 进入详情页,爬取详情页里面的图片地址;
- 下载保存图片;
代码实现
爬取全部奥特曼详情页地址
在爬取列表页的过程中,发现奥特曼页面使用了 iframe 嵌套,该手段也属于最简单的反爬手段,提取真实链接即可,故目标数据源切换为 http://www.ultramanclub.com/allultraman/
。
import requests
import re
import time
# 爬虫入口
def run():
url = "http://www.ultramanclub.com/allultraman/"
try:
# 网页访问速度慢,需要设置 timeout
res = requests.get(url=url, timeout=10)
res.encoding = "gb2312"
html = res.text
get_detail_list(html)
except Exception as e:
print("请求异常", e)
# 获取全部奥特曼详情页
def get_detail_list(html):
start_index = '<ul class="lists">'
start = html.find(start_index)
html = html[start:]
links = re.findall('<li class="item"><a href="(.*)">', html)
print(len(links))
links = list(set(links))
print(len(links))
if __name__ == '__main__':
run()
在代码编写过程中,发现网页访问速度慢,故设置 timeout
属性为 10
,防止出现异常,
正则表达式匹配数据时,出现了重复数据,通过 set
集合进行去重,最终在转换为 list
。
接下来对获取到的 list
进行二次拼接,获取详情页地址。
进行二次拼接得到的详情页地址,代码如下:
# 获取全部奥特曼详情页
def get_detail_list(html):
start_index = '<ul class="lists">'
start = html.find(start_index)
html = html[start:]
links = re.findall('<li class="item"><a href="(.*)">', html)
# links = list(set(links))
links = [f"http://www.ultramanclub.com/allultraman/{i.split('/')[1]}/" for i in set(links)]
print(links)
爬取全部奥特曼大图
该步骤先获取网页标题的方式,然后用该标题,对奥特曼大图爬取命名。
爬取逻辑非常简单,只需要循环上文爬取到详情页地址,然后通过正则表达式进行匹配即可。
修改代码如下所示,关键节点查看注释。
import requests
import re
import time
# 声明 UA
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.85 Safari/537.36"
}
# 存储异常路径,防止出现爬取失败情况
error_list = []
# 爬虫入口
def run():
url = "http://www.ultramanclub.com/allultraman/"
try:
# 网页访问速度慢,需要设置 timeout
res = requests.get(url=url, headers=headers, timeout=10)
res.encoding = "gb2312"
html = res.text
return get_detail_list(html)
except Exception as e:
print("请求异常", e)
# 获取全部奥特曼详情页
def get_detail_list(html):
start_index = '<ul class="lists">'
start = html.find(start_index)
html = html[start:]
links = re.findall('<li class="item"><a href="(.*)">', html)
# links = list(set(links))
links = [
f"http://www.ultramanclub.com/allultraman/{i.split('/')[1]}/" for i in set(links)]
return links
def get_image(url):
try:
# 网页访问速度慢,需要设置 timeout
res = requests.get(url=url, headers=headers, timeout=15)
res.encoding = "gb2312"
html = res.text
print(url)
# 获取详情页标题,作为图片文件名
title = re.search('<title>(.*?)\\[', html).group(1)
# 获取图片短连接地址
image_short = re.search(
'<figure class="image tile">[.\\s]*?<img src="(.*?)"', html).group(1)
# 拼接完整图片地址
img_url = "http://www.ultramanclub.com/allultraman/" + image_short[3:]
# 获取图片数据
img_data = requests.get(img_url).content
print(f"正在爬取{title}")
if title is not None and image_short is not None:
with open(f"images/{title}.png", "wb") as f:
f.write(img_data)
except Exception as e:
print("*"*100)
print(url)
print("请求异常", e)
error_list.append(url)
if __name__ == '__main__':
details = run()
for detail in details:
get_image(detail)
while len(error_list) > 0:
print("再次爬取")
detail = error_list.pop()
get_image(detail)
print("奥特曼图片数据爬取完毕")
运行代码,看到图片接连存储到本地 images
目录中。
代码说明:
上述代码在主函数中,对列表页抓取到的详情页进行了循环抓取。即如下部分代码:
for detail in details:
get_image(detail)
由于本网站爬取速度慢,故在 get_image
函数中的 get
请求里面,加入了 timeout=15
的设定。
图片地址正则匹配与地址拼接,使用的代码如下:
# 获取详情页标题,作为图片文件名
title = re.search('<title>(.*?)\\[', html).group(1)
# 获取图片短连接地址
image_short = re.search(
'<figure class="image tile">[.\\s]*?<img src="(.*?)"', html).group(1)
# 拼接完整图片地址
img_url = "http://www.ultramanclub.com/allultraman/" + image_short[3:]
哎,这些奥特曼果然长得不一样。
完整代码下载地址:https://codechina.csdn.net/hihell/python120
如果你不想运行代码,只想要图,购买一份吧:https://download.csdn.net/download/hihell/19543243
抽奖时间(目前累计送出 4 份)
很遗憾,上一篇文章,评论没有超过 50,所以本篇博客,送 2 份~
只要评论数过 50
随机抽取一名幸运读者
奖励 39.9 元爬虫 100 例专栏 1 折购买券一份,只需 3.99 元
今天是持续写作的第 164 / 200 天。可以点赞、评论、收藏啦。
以上是关于熊孩子说“你没看过奥特曼”,赶紧用Python学习一下,没想到的主要内容,如果未能解决你的问题,请参考以下文章
我用Python连夜离线了100G图片,只为了防止网站被消失
我用Python连夜离线了100G图片,只为了防止网站被消失
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