小白爬虫第一弹之抓取妹子图更新版
Posted wangbg
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了小白爬虫第一弹之抓取妹子图更新版相关的知识,希望对你有一定的参考价值。
最近对爬虫感兴趣,参考了 http://cuiqingcai.com/3179.html 这篇文章,琢磨的小试身手,但是按照原文发现图片下载下来全是打不开的图片,这不是我想要的啊,尝试直接把图片的链接在浏览器中打开,发现已经看过的没有问题,新打开的就不行了,一直怀疑是在cookie方面做了文章,在request里也确实发现了有两个cookie的身影,但就是怎么找也找不到这两个cookie怎么来的,一度想放弃,爬个别的站算了,对妹子们的不舍还是又坚持研究了半天,在浏览器里的抓包工具里一直查看各种参数,做各种尝试,发现了一点门道,原来请求图片的时候需要增加一个参数,具体看代码吧,运行后中途连接被切断了,遂又增加了ua随机替换的方法,幸亏没有增加IP的限制,不然真就该放弃了,不废话了,代码如下:
import requests from bs4 import BeautifulSoup import os import urllib import random class mzitu(): def all_url(self, url): html = self.request(url)##调用request函数把套图地址传进去会返回给我们一个response all_a = BeautifulSoup(html.text, ‘lxml‘).find(‘div‘, class_=‘all‘).find_all(‘a‘) for a in all_a: title = a.get_text() print(u‘开始保存:‘, title) ##加点提示不然太枯燥了 path = str(title).replace("?", ‘_‘) ##我注意到有个标题带有 ? 这个符号Windows系统是不能创建文件夹的所以要替换掉 if not self.mkdir(path): print(u‘已经跳过:‘, title) ##中途断了可以直接再次运行,下载过的文件夹直接跳过了,提高点效率 continue href = a[‘href‘] self.html(href) ##调用html函数把href参数传递过去!href是啥还记的吧? 就是套图的地址哦!!不要迷糊了哦! def html(self, href): ##这个函数是处理套图地址获得图片的页面地址 html = self.request(href) max_span = BeautifulSoup(html.text, ‘lxml‘).find(‘div‘, class_=‘pagenavi‘).find_all(‘span‘)[-2].get_text() for page in range(1, int(max_span) + 1): page_url = href + ‘/‘ + str(page) self.img(page_url) ##调用img函数 def img(self, page_url): ##这个函数处理图片页面地址获得图片的实际地址 img_html = self.request(page_url) img_url = BeautifulSoup(img_html.text, ‘lxml‘).find(‘div‘, class_=‘main-image‘).find(‘img‘)[‘src‘] self.save(img_url,page_url) def save(self, img_url, page_url): ##这个函数保存图片 name = img_url[-9:-4] img = self.requestpic(img_url,page_url) f = open(name + ‘.jpg‘, ‘ab‘) f.write(img.content) f.close() def mkdir(self, path): ##这个函数创建文件夹 path = path.strip() isExists = os.path.exists(os.path.join("D:\mzitu", path)) if not isExists: print(u‘建了一个名字叫做‘, path, u‘的文件夹!‘) os.makedirs(os.path.join("D:\mzitu", path)) os.chdir(os.path.join("D:\mzitu", path)) ##切换到目录 return True else: print(u‘名字叫做‘, path, u‘的文件夹已经存在了!‘) return False def requestpic(self, url, Referer): ##这个函数获取网页的response 然后返回 user_agent_list = [ "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1" "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6", "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1", "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5", "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3", "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24", "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24" ] ua = random.choice(user_agent_list) ##随机替换UA headers = {‘User-Agent‘: ua,"Referer":Referer} ##对了,关键的参数就在这里 ReFerer 没有这个图片下载不来的 content = requests.get(url, headers=headers) return content def request(self, url): ##这个函数获取网页的response 然后返回 headers = {‘User-Agent‘: "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1"} content = requests.get(url, headers=headers) return content Mzitu = mzitu() ##实例化 Mzitu.all_url(‘http://www.mzitu.com/all‘) ##给函数all_url传入参数 你可以当作启动爬虫(就是入口)
感谢前人们的无私分享, 感谢 http://cuiqingcai.com/ , 感谢mzitu的站长提供给我们这么多的优质妹子。
以上是关于小白爬虫第一弹之抓取妹子图更新版的主要内容,如果未能解决你的问题,请参考以下文章