项目地址：https://github.com/jrainlau/wallpaper-downloader
前言
好久没有写文章了，因为最近都在适应新的岗位，以及利用闲暇时间学习python。这篇文章是最近的一个python学习阶段性总结，开发了一个爬虫批量下载某壁纸网站的高清壁纸。
注意：本文所属项目仅用于python学习，严禁作为其他用途使用！
初始化项目
项目使用了virtualenv来创建一个虚拟环境，避免污染全局。使用pip3直接下载即可：
|
1
|
pip3 install virtualenv
|
然后在合适的地方新建一个wallpaper-downloader目录，使用virtualenv创建名为venv的虚拟环境：
|
1
2
|
virtualenv venv
. venv/bin/activate
|
接下来创建依赖目录：
|
1
|
echo bs4 lxml requests > requirements.txt
|
最后yun下载安装依赖即可：
|
1
|
pip3 install -r requirements.txt
|
分析爬虫工作步骤
为了简单起见，我们直接进入分类为“aero”的壁纸列表页：http://wallpaperswide.com/aer...。
可以看到，这一页里面一共有10张可供下载的壁纸。但是由于这里显示的都是缩略图，作为壁纸来说清晰度是远远不够的，所以我们需要进入壁纸详情页，去找到高清的下载链接。从第一张壁纸点进去，可以看到一个新的页面：
因为我机器是Retina屏幕，所以我打算直接下载体积最大的那个以保证高清（红圈所示体积）。
了解了具体的步骤以后，就是通过开发者工具找到对应的dom节点，提取相应的url即可，这个过程就不再展开了，读者自行尝试即可，下面进入编码部分。
访问页面
新建一个download.py文件，然后引入两个库：
|
1
2
|
from bs4 import BeautifulSoup
import requests
|
接下来，编写一个专门用于访问url，然后返回页面html的函数：
|
1
2
3
4
5
6
7
8
|
def visit_page(url):
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36'
}
r = requests.get(url, headers = headers)
r.encoding = 'utf-8'
soup = BeautifulSoup(r.text, 'lxml')
return soup
|
为了防止被网站反爬机制击中，所以我们需要通过在header添加UA把爬虫伪装成正常的浏览器，然后指定utf-8编码，最后返回字符串格式的html。
提取链接
在获取了页面的html以后，就需要提取这个页面壁纸列表所对应的url了：
|
1
2
3
4
5
6
|
def get_paper_link(page):
links = page.select('#content > div > ul > li > div > div a')
collect = []
for link in links:
collect.append(link.get('href'))
return collect
|
这个函数会把列表页所有壁纸详情的url给提取出来。
下载壁纸
有了详情页的地址以后，我们就可以进去挑选合适的size了。在对页面的dom结构分析后可以知道，每一个size都对应着一个链接：
所以第一步，就是把这些size对应的链接提取出来：
|
1
2
3
4
5
6
7
8
9
10
|
wallpaper_source = visit_page(link)
wallpaper_size_links = wallpaper_source.select('#wallpaper-resolutions > a')
size_list = []
for link in wallpaper_size_links:
href = link.get('href')
size_list.append({
'size': eval(link.get_text().replace('x', '*')),
'name': href.replace('/download/', ''),
'url': href
})
|
size_list就是这些链接的一个集合。为了方便接下来选出最高清（体积最大）的壁纸，在size中我使用了eval方法，直接把这里的5120x3200给计算出来，作为size的值。
获取了所有的集合之后，就可以使用max()方法选出最高清的一项出来了：
|
1
|
biggest_one = max(size_list, key = lambda item: item['size'])
|
这个biggest_one当中的url就是对应size的下载链接，接下来只需要通过requests库把链接的资源下载下来即可：
|
1
2
3
|
result = requests.get(PAGE_DOMAIN + biggest_one['url'])
if result.status_code == 200:
open('wallpapers/' + biggest_one['name'], 'wb').write(result.content)
|
注意，首先你需要在根目录下创建一个wallpapers目录，否则运行时会报错。
整理一下，完整的download_wallpaper函数长这样：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
def download_wallpaper(link):
wallpaper_source = visit_page(PAGE_DOMAIN + link)
wallpaper_size_links = wallpaper_source.select('#wallpaper-resolutions > a')
size_list = []
for link in wallpaper_size_links:
href = link.get('href')
size_list.append({
'size': eval(link.get_text().replace('x', '*')),
'name': href.replace('/download/', ''),
'url': href
})
biggest_one = max(size_list, key = lambda item: item['size'])
print('Downloading the ' + str(index + 1) + '/' + str(total) + ' wallpaper: ' + biggest_one['name'])
result = requests.get(PAGE_DOMAIN + biggest_one['url'])
if result.status_code == 200:
open('wallpapers/' + biggest_one['name'], 'wb').write(result.content)
|
批量运行
上述的步骤仅仅能够下载第一个壁纸列表页的第一张壁纸。如果我们想下载多个列表页的全部壁纸，我们就需要循环调用这些方法。首先我们定义几个常量：
|
1
2
3
4
5
6
7
8
9
10
11
|
import sys
if len(sys.argv) != 4:
print('3 arguments were required but only find ' + str(len(sys.argv) - 1) + '!')
exit()
category = sys.argv[1]
try:
page_start = [int(sys.argv[2])]
page_end = int(sys.argv[3])
except:
print('The second and third arguments must be a number but not a string!')
exit()
|
这里通过获取命令行参数，指定了三个常量category, page_start和page_end，分别对应着壁纸分类，起始页页码，终止页页码。
为了方便起见，再定义两个url相关的常量：
|
1
2
|
PAGE_DOMAIN = 'http://wallpaperswide.com'
PAGE_URL = 'http://wallpaperswide.com/' + category + '-desktop-wallpapers/page/'
|
接下来就可以愉快地进行批量操作了，在此之前我们来定义一个start()启动函数：
|
1
2
3
4
5
6
7
8
|
def start():
if page_start[0] <= page_end:
print('Preparing to download the ' + str(page_start[0]) + ' page of all the "' + category + '" wallpapers...')
PAGE_SOURCE = visit_page(PAGE_URL + str(page_start[0]))
WALLPAPER_LINKS = get_paper_link(PAGE_SOURCE)
page_start[0] = page_start[0] + 1
for index, link in enumerate(WALLPAPER_LINKS):
download_wallpaper(link, index, len(WALLPAPER_LINKS), start)
|
然后把之前的download_wallpaper函数再改写一下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
def download_wallpaper(link, index, total, callback):
wallpaper_source = visit_page(PAGE_DOMAIN + link)
wallpaper_size_links = wallpaper_source.select('#wallpaper-resolutions > a')
size_list = []
for link in wallpaper_size_links:
href = link.get('href')
size_list.append({
'size': eval(link.get_text().replace('x', '*')),
'name': href.replace('/download/', ''),
'url': href
})
biggest_one = max(size_list, key = lambda item: item['size'])
print('Downloading the ' + str(index + 1) + '/' + str(total) + ' wallpaper: ' + biggest_one['name'])
result = requests.get(PAGE_DOMAIN + biggest_one['url'])
if result.status_code == 200:
open('wallpapers/' + biggest_one['name'], 'wb').write(result.content)
if index + 1 == total:
print('Download completed!\n\n')
callback()
|
最后指定一下启动规则：
|
1
2
|
if __name__ == '__main__':
start()
|
运行项目
在命令行输入如下代码开始测试：
|
1
|
python3 download.py aero 1 2
|
然后可以看到下列输出：
拿charles抓一下包，可以看到正在脚本正在平稳地运行中：
此时，下载脚本已经开发完毕，终于不用担心壁纸荒啦！
以上就是本次为大家整理的全部内容，大家有任何疑问可以在下方的留言区讨论，感谢你对服务器之家的支持。
原文链接：https://segmentfault.com/a/1190000012978490