零基础爬取堆糖网图片

Posted 2020-11-27 mark-wq

零基础爬取堆糖网图片（一）

全文介绍：

首先堆糖网是一个美图壁纸兴趣社区，有大量的美女图片
今天我们实现搜索关键字爬取堆糖网上相关的美图。
当然我们还可以实现多线程爬虫，加快爬虫爬取速度

涉及内容：

1. 爬虫基本流程
2. requests库基本使用
3. urllib.parse模块
4. json包
5. jsonpath库

图例说明：

1. 请求与响应

sequenceDiagram 浏览器->>服务器: 请求 服务器-->>浏览器: 响应

2. 爬虫基本流程

graph TD A[目标网站] -->|分析网站| B(url) B --> C[模拟浏览器请求资源] C -->D[解析网页] D-->E[保存数据]

正文：

1. 分析网站

1.1 目标网址：https://www.duitang.com/

1.2 关键字:

值得注意的是url当中是不能有汉字的，所以真正的url是这样的：

https://www.duitang.com/search/?kw=美女&type=feed
思路：

import urllib.parse

label = ‘美女‘
label = urllib.parse.quote(label)
# 输出：%E7%BE%8E%E5%A5%B3

1.3 数据源：

首先，这个网站的数据是瀑布流式的加载方式。

瀑布流举例说明：你去一个饭店，直接开口要十碗烩面，这个时候老板开始下面给你吃??。然后你发现当你吃完第一碗面，你就吃不下了。这个时候，剩下的面就算白做了。所以，下次你在去饭店，还是直接开口要十碗面，这时，老板聪明了，下一碗面，你吃一碗，你还需要，就在去下面。这样就不会浪费。

针对这种数据加载，需要抓包：

2. 导库

import urllib.parse
import json
import requests
import jsonpath

3. 模拟浏览器请求资源

we_data = requests.get(url).text

4. 解析网页

因为是json文件，所以直接用jsonpath工具提取数据

# 类型转换
html = json.loads(we_data)
photo = jsonpath.jsonpath(html,"$..path")?
print(photo)

得到图片的链接

5. 保存数据

num = 0
for i in photo:??? 
    a = requests.get(i)???
    with open(r‘tupian{}.jpg‘.format(num),‘wb‘) as f:?
        #  content 二进制流
        f.write(a.content)
        num += 1

效果：

完整代码：

所以，以此为动力，又实现了翻页，下面是简单的全部代码（代码为了零基础小白看懂，大神勿喷）

import urllib.parse
import json
import requests
import jsonpath
url = 
‘https://www.duitang.com/napi/blog/list/by_search/?kw={}&start={}‘
label = ‘美女‘
# 关键字
label = urllib.parse.quote(label)
num = 0
# 翻页  24的间隔
for index in range(0,2400,24):??? 
    u = url.format(label,index)??? 
    we_data = requests.get(u).text??? 
    html = json.loads(we_data)??? 
    photo = jsonpath.jsonpath(html,"$..path")
    # 遍历每页的图片链接
    for i in photo:??????? 
        a = requests.get(i)
        # wb 二进制写入
        with open(r‘tupian{}.jpg‘.format(num),‘wb‘) as f:?
            # content 二进制流
            f.write(a.content)??????? 
    num +=1

PS:
问题可以评论区提出