Python爬虫简单入门及小技巧

Posted 2020-10-06

刚刚申请博客，内心激动万分。于是为了扩充一下分类，随便一个随笔，也为了怕忘记新学的东西由于博主十分怠惰，所以本文并不包含安装python（以及各种模块）和python语法。

 

目标

前几天上B站时看到一部很好玩的番剧，名字《笨女孩》，实际上是由同名的搞笑向漫画动画化的。大家都知道动画一般一周一更，很难满足我们的需求，所以我们就来编写一个爬虫，来爬取漫画咯。

那么本文的目标就是爬取《初音MIX》这部漫画（因为笨女孩我已经爬取过了>_<）。这部漫画我记得是小学的时候看的，也是我第一次接触日漫。

网上有很多的漫画网站，我们就选漫画之家好了！

需要的模块

request　　　　 用于下载网页

re　　　　　　　python自带的正则模块

BeautifulSoup　　用于解析html，让我们查找元素更方便（不过这次没用上）

开始！

Step1：确定需要爬取的网页地址

熟练运用网站的搜索工具，进入检索页面http://manhua.dmzj.com/tags/search.shtml?s=初音Mix

我们找到了目标地址http://manhua.dmzj.com/chuyinmix

接下来打开CH001，看到我们要爬取的图片

对图片网页进行分析（F12打开自带工具），以便我们查出图片的链接

很快查到图片链接及链接在代码中的位置

但是当我们查看源代码时，并没有找到此标签

因为爬虫爬取的页面是静态的html文件，没有经过其他脚本的“加工”。所以动态的脚本之类是无法作用的（PhantomJS，Selenium之类除外）。但是作为爬虫入门文章，我们还是考虑“绕过”这种烦人的东西，“绕过”方法作为一个小技巧

技巧一：若爬取网页较困难时，尝试爬取手机网页

很轻松的找到手机的检索地址http://m.dmzj.com/search/初音mix.html

它的界面是这样的

（手机上的网站在电脑上看真low。。。）

很轻松的找到详细页面http://m.dmzj.com/info/chuyinmix.html

这时再打开CH001，查看网页源代码，找到这么一段

mReader.initData({"id":12777,"comic_id":6132,"chapter_name":"CH001","chapter_order":10,"createtime":1284436621,
"folder":"c\\/\\u521d\\u97f3MIKU\\/CH001","page_url":["https:\\/\\/images.dmzj.com\\/c\\/\\u521d\\u97f3MIKU\\/CH001\\/001.jpg",
"https:\\/\\/images.dmzj.com\\/c\\/\\u521d\\u97f3MIKU\\/CH001\\/002.png", ...

这么明显的地址，真的是毫无防备。。。

那么我们找到了图片位置，可以开始爬取了

Step2:从检索页面到详细页面再到图片页面，进行爬取

通过简单的操作得到python代码

 1 #!usr/bin/env python
 2 #coding=utf-8
 3 import requests, re
 4 from bs4 import BeautifulSoup
 5 
 6 headers={"User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36", 
 7     "Referer":"http://m.dmzj.com/"}
 8 url="http://m.dmzj.com/info/chuyinmix.html"
 9 html=requests.get(url, headers=headers)
10 soup=BeautifulSoup(html.content, "lxml")
11 print(soup.prettify())

这里简单的介绍一下最常见的，最基础的，同时也最容易被绕过的反爬虫操作

在Http协议中，客户端通过发送Http请求头来请求网页。

在python等程序或脚本发送的请求头中user-agent并非像浏览器的一样，他们就像是“python-requests/2.14.2”。

而一般浏览器的user-agent就像“Mozilla/5.0 (Windows NT 10.0; WOW64; rv:55.0) Gecko/20100101 Firefox/55.0”。

这样服务器就可以通过user-agent来区别爬虫和浏览器。

但是我们也可以通过修改请求头来绕过，然而服务器也不傻，他们又顺便检查了请求头Referer这一项。

Referer指的是浏览器通过哪一页面打开当前页面。

就像通过百度搜索“初音我老婆”，任意点开一个页面时Referer就记录着百度搜索结果的页面地址。

当然我们也可以修改Referer呵呵。

 

运行后可以看到此页面的源代码。

这时通过正则表达式来查找所需内容。

#!usr/bin/env python
#coding=utf-8
import requests, re

headers={"User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36", 
    "Referer":"http://m.dmzj.com/"}
urlRoot="http://m.dmzj.com/info/chuyinmix.html"
urlPre="http://m.dmzj.com/view/6132/"
html=requests.get(urlRoot, headers=headers)
nameList=re.findall(‘(?<=chapter_name":")[^"]+‘, html.text);
idList=re.findall(‘(?<="id":)[^,]+‘, html.text);
for i in range(15):
    url=urlPre+idList[i]+".html"
    html=requests.get(url, headers=headers)
    print(html.text)

运行结果显示没问题，于是开始尝试爬取一张图片

 1 #!usr/bin/env python
 2 #coding=utf-8
 3 import requests, re, os
 4 
 5 headers={"User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36", 
 6     "Referer":"http://m.dmzj.com/"}
 7 urlRoot="http://m.dmzj.com/info/chuyinmix.html"
 8 urlPre="http://m.dmzj.com/view/6132/"
 9 html=requests.get(urlRoot, headers=headers)
10 nameList=re.findall(‘(?<=chapter_name":")[^"]+‘, html.text);
11 idList=re.findall(‘(?<="id":)[^,]+‘, html.text);
12 for i in range(15):
13     url=urlPre+idList[i]+".html"
14     html=requests.get(url, headers=headers)
15     print(html.text)
16     urlList=re.findall(‘https:\\\\\\\\/\\\\\\\\/[^"]+‘, html.text)
17     for idx, string in enumerate(urlList):
18         img=requests.get(string.replace(r"\\/", "/").encode().decode("unicode-escape"), headers=headers)
19         ext=string.split(".")[-1]
20         if not os.path.exists(nameList[i]):
21             os.mkdir(nameList[i])
22         file=open(nameList[i]+"\\%03d.%s"%(idx, ext), "ab")
23         file.write(img.content)
24         file.close()
25         break
26     break

技巧二：利用str.encode().decode("unicode-escape")转换url中的Unicode编码看来成功了呵呵 >_<

于是放开手脚，全部爬取

 1 #!usr/bin/env python
 2 #coding=utf-8
 3 import requests, re, os
 4 
 5 headers={"User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36", 
 6     "Referer":"http://m.dmzj.com/"}
 7 urlRoot="http://m.dmzj.com/info/chuyinmix.html"
 8 urlPre="http://m.dmzj.com/view/6132/"
 9 html=requests.get(urlRoot, headers=headers)
10 nameList=re.findall(‘(?<=chapter_name":")[^"]+‘, html.text);
11 idList=re.findall(‘(?<="id":)[^,]+‘, html.text);
12 for i in range(15):
13     url=urlPre+idList[i]+".html"
14     html=requests.get(url, headers=headers)
15     urlList=re.findall(‘https:\\\\\\\\/\\\\\\\\/[^"]+‘, html.text)
16     for idx, string in enumerate(urlList):
17         img=requests.get(string.replace(r"\\/", "/").encode().decode("unicode-escape"), headers=headers)
18         ext=string.split(".")[-1]
19         if not os.path.exists(nameList[i]):
20             os.mkdir(nameList[i])
21         file=open(nameList[i]+"\\%03d.%s"%(idx, ext), "ab")
22         file.write(img.content)
23         file.close()

一分钟后，爬取成功>_<

 

总结本次爬取简单使用了python的requests, re, os库，简单介绍了HTTP请求头和最常见的反爬虫机制，纯属娱乐凑文章哈哈