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

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相关的知识,希望对你有一定的参考价值。

这网站名字绝了,当擦哥看到的那一瞬间,我估计他就准备好爬虫代码了。

Python 爬虫 120 例,已完成文章清单

  1. 10 行代码集 2000 张美女图,Python 爬虫 120 例,再上征途
  2. 通过 Python 爬虫,发现 60%女装大佬游走在 cosplay 领域
  3. Python 千猫图,简单技术满足你的收集控
  4. 熊孩子说“你没看过奥特曼”,赶紧用 Python 学习一下,没想到
  5. 技术圈的【多肉小达人】,一篇文章你就能做到
  6. 我用 Python 连夜离线了 100G 图片,只为了防止网站被消失

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 https://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 requestsrethreading
  • 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:
  • https://www.keaitupian.net/dongman/list-1.html
  • https://www.keaitupian.net/dongman/list-2.html
  • https://www.keaitupian.net/dongman/list-{不定页码}.html

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()

完整代码下载地址:https://codechina.csdn.net/hihell/python120,NO7。

代码编写过程中,顺手爬取了一堆图片,可以提前预览一波,看看图,在决定是否运行这段代码。

https://download.csdn.net/download/hihell/19759050

抽奖时间

上一篇文章 《我用Python连夜离线了100G图片,只为了防止网站被消失》 评论数没有达到 100,但是出现了一个热评大佬 幻想家37927,这不得不送一份一折券了,抓紧联系橡皮擦哦~。

只要评论数过 100
随机抽取一名幸运读者
奖励 29.9 元《Python 游戏世界》 1 折购买券一份,只需 2.99 元

今天是持续写作的第 167 / 200 天。可以点赞、评论、收藏啦。

以上是关于对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的主要内容,如果未能解决你的问题,请参考以下文章

可爱女生图片到期了,怎么办?当前是把Python爬虫升级到可爱头像站

Python爬虫应用实战-爬取网站漂亮小姐姐,可爱的小姐姐谁不爱呢?

Python爬虫应用实战-爬取网站漂亮小姐姐,可爱的小姐姐谁不爱呢?

Python爬小草1024图片,盖达尔的诱惑(urllib.request)

python简单爬虫编写

娇羞可爱小汝Ruby圣诞诱惑