Python 实用爬虫-04-使用 BeautifulSoup 去水印下载 CSDN 博客图片

Posted 2022-01-13 xpwi

Python 实用爬虫-04-使用 BeautifulSoup 去水印下载 CSDN 博客图片

其实没太大用，就是方便一些，因为现在各个平台之间的图片都不能共享，比如说在 CSDN 不能用简书的图片，在博客园不能用 CSDN 的图片。
当前想到的方案就是：先把 CSDN 上的图片都下载下来，再手动更新吧。
所以简单写了一个爬虫用来下载 CSDN 平台上的图片，用于在其他平台上更新图片时用

更多内容，请看代码注释

效果演示

Python 源代码

提示： 需要先下载 BeautifulSoup 哦，可以用 pip，也可以直接在 PyCharm 中安装
简单的方法：

# coding:utf-8
'''
使用爬虫下载图片：
1.使用 CSDN 博客
2.获取图片连接，并下载图片
3.可去除水印

作者：java997.com
'''

import re
from urllib import request
from bs4 import BeautifulSoup
import datetime


# 构造无水印纯链接数组
def get_url_array(all_img_href):
    img_urls = []
    for h in all_img_href:
        # 去掉水印
        if re.findall("(.*?)\\?", h[1]):
            h = re.findall("(.*?)\\?", h[1])
            # 因为这里匹配就只有 src 了, 所以直接用 0
            img_urls.append(h[0])
        else:
            # 因为这里还没有处理有 alt 的情况, 所以直接用 1
            img_urls.append(h[1])

    return img_urls


# 构建新目录的方法
def mkdir(path):
    # 引入模块
    import os

    # 去除首位空格
    path = path.strip()
    # 去除尾部 \\ 符号
    path = path.rstrip("\\\\")

    # 判断路径是否存在
    # 存在     True
    # 不存在   False
    isExists = os.path.exists(path)

    # 判断结果
    if not isExists:
        # 如果不存在则创建目录
        # 创建目录操作函数
        os.makedirs(path)

        print('目录 ' + path + ' 创建成功')
        return True
    else:
        # 如果目录存在则不创建，并提示目录已存在
        print('目录 ' + path + ' 已存在')
        return False


if __name__ == '__main__':

    # url = input("请粘贴博客链接")
    url = "https://blog.csdn.net/qq_40147863/article/details/90484190"

    # 获取页面 html
    rsp = request.urlopen(url)
    all_html = rsp.read()

    # 一锅清汤
    soup = BeautifulSoup(all_html, 'lxml')

    # bs 自动解码
    content = soup.prettify()

    # 获取标题
    tags = soup.find_all(name='title')
    for i in tags:
        # .string 是去掉标签, 只打印内容
        print(i.string)

    # 获取正文部分
    article = soup.find_all(name='article')
    # print(article[0])

    # 获取图片的链接
    all_img_href = re.findall('<img(.*?)src="(.*?)"', str(article))

    # 调用函数, 获取去掉水印后的链接数组
    img_urls = get_url_array(all_img_href);

    # 用当前之间为目录名, 创建新目录
    now_time = datetime.datetime.now()
    now_time_str = datetime.datetime.strftime(now_time, '%Y_%m_%d_%H_%M_%S')
    mkdir(now_time_str)

    print("----------下载图片-------------")
    i = 0
    for m in img_urls:
        # 由于没有精确匹配，并不是所有连接都是我们要的课程的连接，排出第一张图片
        print('正在下载第' + str(i) + '张：' + m)

        # 爬取每个网页图片的连接
        img_url = request.urlopen(m).read()

        # img 目录【必须手动创建好】
        fp = open(now_time_str+'\\\\' + str(i) + '.jpg', 'wb')

        # 写入本地文件
        fp.write(img_url)

        # 目前没有想到更好的方式，暂时只能写一次，关闭一次，如果有更好的欢迎讨论
        fp.close()
        i += 1