额，明明记得昨晚存了草稿箱，一觉醒来没了，那就简写点（其实是具体怎么解释我也不太懂/xk，纯属个人理解，有错误还望指正）
环境：
版本：python3
IDE：pycharm2017.3.3
浏览器：火狐（浏览器建议火狐，Chrome）
爬取网站：堆糖
选堆糖是因为比较好爬取（除了img文件就是xhr文件），别网站的反爬取对我这个水平来说都太心机了
安装配置什么的之前都写过，这里就不提了，直接开始
1.先来浏览一下这个网站，打开堆糖官网，搜索校花，他就会给我们推荐一些图片，当我们滚动到页面底部时，他又会加载新的一些图片，再滚到底，再加载，这样加载了五次，才把第一页的所有图片加载出来（这里体现了这个网站的防爬，不过也好破）
我们的目标就是把这19页，每页的图片都爬下来
2.重新搜索一下关键字，我们先不往下滚动，右键查看元素，选择网络，可以看到目前这一页中加载的图片，
3.然后我们把页面往下滚动，让他继续加载，同时我们观察者网络这个窗口，所有请求的图片也都显示在这里，这时发现xhr类型的文件，这样的文件一共有五个，也就是同一页面中每次滚动到页面底部，新加载图片时就会出现这样的文件
4.主要关注一下这个文件，把窗口切换到xhr类型下，双击打开其中的一个
5.这个请求网址使我们需要的，复制到地址栏中
6.这里打开如果是所有代码堆在一起的那样，就需要在线解析一下，解析工具将地址复制进去进行校验
而我这里的火狐浏览器打开直接就是转换好的
其中的path就是我们需要的
而这个limit就是限制我们爬取数量的参数，后面需要修改这个参数来爬取全部图片
7.对请求地址进行分析
https://www.duitang.com/napi/blog/list/by_search/?kw=校花&type=feed&include_fields=top_comments,is_root,source_link,item,buyable,root_id,status,like_count,sender,album&_type=&start=24&_=1520036797589
将没用的删掉
https://www.duitang.com/napi/blog/list/by_search/?kw=校花&start=24
修改参数start（从0开始爬取），添加参数limit（上限），格式都是&开头
https://www.duitang.com/napi/blog/list/by_search/?kw=校花&start=0&limit=1000
以上就是爬取的分析过程，代码如下
import requests
import threading
import urllib.parse #设置最大线程 开启10个线程就锁住
thread_lock = threading.BoundedSemaphore(value=10) 'https://www.duitang.com/napi/blog/list/by_search/?kw=%E6%A0%A1%E8%8A%B1&start=0&limt=1000'
#通过url 获取数据
#单个页面
def get_page(url):
#requests.get 自带了json.loads
page = requests.get(url)
#提取需要的content
page = page.content
# 将bytes转成 字符串
page = page.decode('utf-8')
return page #label为关键字
#取所有页面pages的链接
def pages_from_duitang(label):
pages = []
url = 'https://www.duitang.com/napi/blog/list/by_search/?kw={}&start={}&limt=1000'
#将中文转成url编码
label = urllib.parse.quote(label)
for index in range(0, 3600, 50):
#将这两个变量替换占位符{}
u = url.format(label,index)
page = get_page(u)
pages.append(page)
return pages # print(get_page('https://www.duitang.com/napi/blog/list/by_search/?kw=%E6%A0%A1%E8%8A%B1&start=0&limt=1000'))
#page是get_page()返回的页面信息
#startpart和endpart是边界条件，两个给定的字符串
# 单个页面的对象，startpart 所要匹配字符1，匹配的字符2
def findall_in_page(page,startpart,endpart):
all_strings = []
end = 0
# 从end这个字符串开始找，找startpart
# .find()！=-1说明找到该字符串,返回的是该字符串的起始下标
while page.find(startpart,end) != -1:
# 需要的图片的链接的起始位置start
start = page.find(startpart, end)+len(startpart)
# 从起始字符串开始找结束字符串
end = page.find(endpart,start)
#切片 取两个所要匹配字符 之间的部分也就是图片url
string = page[start:end]
#存入列表
all_strings.append(string)
return all_strings # "path": "https://b-ssl.duitang.com/uploads/item/201708/20/20170820215827_fa483.jpeg"
def pic_urls_from_pages(pages):
pic_urls = []
for page in pages:
# 处理一个页面
urls = findall_in_page(page,'path":"','"')
pic_urls.extend(urls) # 合并列表
return pic_urls def download_pics(url, n):
r = requests.get(url)
path = '../pics' + str(n) + '.jpg'
with open(path,'wb') as f:
f.write(r.content)
#下载完了，解锁
thread_lock.release() def main(label):
pages = pages_from_duitang(label)
pic_urls = pic_urls_from_pages(pages) n = 0
for url in pic_urls:
n += 1
print('正在下载第{}张图片'.format(n)) #上锁
thread_lock.acquire()
#下载 这个方法丢进线程池
t = threading.Thread(target=download_pics,args=(url,n))
t.start() main('校花')
运行结果
不同的网站防爬不一样，但思路应该都差不多