python selenium爬取kuku漫画

Posted 2020-09-27

在爬取这个网站之前，试过爬取其他网站的漫画，但是发现有很多反爬虫的限制，有的图片后面加了动态参数，每秒都会更新，所以前一秒爬取的图片链接到一下秒就会失效了，还有的是图片地址不变，但是访问次数频繁的话会返回403，终于找到一个没有限制的漫画网站，演示一下selenium爬虫

# -*- coding:utf-8 -*-
# crawl kuku漫画
__author__=‘fengzhankui‘
from selenium import webdriver
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
import os
import urllib2
import chrom
class getManhua(object):
    def __init__(self):
        self.num=5
        self.starturl=‘http://comic.kukudm.com/comiclist/2154/51850/1.htm‘
        self.browser=self.getBrowser()
        self.getPic(self.browser)
    def getBrowser(self):
        dcap = dict(DesiredCapabilities.PHANTOMJS)
        dcap["phantomjs.page.settings.userAgent"] = ("Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36")
        browser=webdriver.PhantomJS(desired_capabilities=dcap)
        try:
            browser.get(self.starturl)
        except:
            print ‘open url fail‘
        browser.implicitly_wait(20)
        return browser
    def getPic(self,browser):
        cartoonTitle = browser.title.split(‘_‘)[0]
        self.createDir(cartoonTitle)
        os.chdir(cartoonTitle)
        for i in range(1,self.num):
            i=str(i)
            imgurl = browser.find_element_by_tag_name(‘img‘).get_attribute(‘src‘)
            print imgurl
            with open(‘page‘+i+‘.jpg‘,‘wb‘) as fp:
                agent = chrom.pcUserAgent.get(‘Firefox 4.0.1 - Windows‘)
                request=urllib2.Request(imgurl)
                request.add_header(agent.split(‘:‘,1)[0],agent.split(‘:‘,1)[0])
                response=urllib2.urlopen(request)
                fp.write(response.read())
                print ‘page‘+i+‘success‘
            NextTag = browser.find_elements_by_tag_name(‘a‘)[-1].get_attribute(‘href‘)
            browser.get(NextTag)
            browser.implicitly_wait(20)
    def createDir(self,cartoonTitle):
        if os.path.exists(cartoonTitle):
            print ‘exists‘
        else:
            os.mkdir(cartoonTitle)
if __name__==‘__main__‘:
    getManhua()

对了应对反爬虫的机制，我在selenium和urllib2分别加了请求参数，反正网站通过过滤请求的方式将爬虫过滤掉，在这里仅爬取了开始url往下的5页，而且为了防止图片和网络延时，设置20秒了等待时间，刚开始运行时间会稍微有点长，需要等待。

运行过程如图所示