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

面试官来袭第一弹之Redis连击

Docker与虚拟化技术浅析第一弹之docker与Kubernetes

实现HTTPS系列第四弹之TLS ,SSL等概念理解

实现HTTPS系列第四弹之TLS ,SSL等概念理解

python爬虫—— 抓取今日头条的街拍的妹子图

更新版-基于python3实现的抓取腾讯视频所有电影的爬虫-亲测可用