##【一、项目背景】
你是否在寻找可以与高手斗图的应用？ 你是否在寻找可以自制表情的应用？你是否在寻找最全、最爆笑的表情库？
斗图网是一个收集了成千上万的撕逼斗图表情包,在这里你可以快速找到想要的表情, 更好的“斗图”，助您成为真正的斗图终结者!
##【二、项目目标】
下载表情包，保存文档。
##【三、涉及的库和网站】
1、网址如下：
|
1
|
https://www.doutula.com/photo/list/?page={}
|
2、涉及的库：requests**、lxml、ssl****、time**
3、软件：PyCharm
##【四、项目分析】
1、如何找到表情包图片地址？
F12右键检查，找到对应的图片的地址。
观察网址的变化（一般取前三页）：
|
1
2
3
|
https://www.doutula.com/photo/list/?page=1
https://www.doutula.com/photo/list/?page=2
https://www.doutula.com/photo/list/?page=3
|
发现点击下一页时，page{}每增加一页自增加1，用{}代替变换的变量，再用for循环遍历这网址，实现多个网址请求。
2. 如何解除ssl验证？
因为这个网址是https，需要导入一个ssl模块，忽略ssl验证。
**3. **如何获取Cookie？
右键检查，找到NetWork，随便复制一个Cookie即可。
##【五、项目实施】
1、我们定义一个class类继承object，然后定义init方法继承self，再定义一个主函数main继承self。导入需要的库。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
import requests
from lxml import etree
from fake_useragent import UserAgent
import ssl # ssl验证
import time
ssl._create_default_https_context = ssl._create_unverified_context
class Emoticon(object):
def __init__(self):
pass
def main(self):
pass
if __name__ == '__main__':
spider = Emoticon()
spider.main()
|
2、导入网址和构造请求头，防止反爬。
|
1
2
3
|
def __init__(self):
self.headers = {'User-Agent': 'Mozilla/5.0'}
self.url = 'https://www.doutula.com/photo/list/?page={}'
|
3、发送请求 ，获取响应，页面回调，方便下次请求。
|
1
2
3
4
|
def get_page(self, url):
res = requests.get(url=url, headers=self.headers)
html = res.content.decode("utf-8")
return html
|
4、xpath解析页面。
这里我们先获取父节点，在通过for循环遍历，找到对应的子节点（图片地址）。
|
1
2
3
4
|
image = parse_html.xpath('//ul[@class="list-group"]/li/div/div//a')
for i in image:
image_src_list = i.xpath('.//img/@data-original')[0]
image_name = i.xpath('.//img//@alt')[0]
|
运行的结果：
5、对图片地址发生请求，取对应图片地址后10位，作为图片的命名，写入文件（每一张图片的后缀名不一样，所有这里不采用image_name作为图片的命名）。
|
1
2
3
4
5
6
7
|
html2 = requests.get(url=image_src_list, headers=self.headers).content
name = "/图/" + image_src_list[-20:]
#print(name[-10:])
with open(name[-10:], 'wb') as f:
f.write(html2)
print("%s 【下载成功！！！！】" % image_name)
print("==================================")
|
6、调用方法，实现功能。
|
1
2
3
|
html = self.get_page(url)
self.parse_page(html)
print("======================第%s页爬取成功！！！！=======================" % page)
|
7、time模块打出执行时间。
|
1
2
3
|
start = time.time()
end = time.time()
print('执行时间:%.2f' % (end - start))
|
【六、效果展示】
1、点击绿色小三角运行输入起始页，终止页。
2、将下载成功信息显示在控制台。
3、保存文档，在本地可以看到斗图。
##【七、总结】
1、不建议抓取太多数据，容易对服务器造成负载，浅尝辄止即可。
2、本文基于Python网络爬虫，利用爬虫库，获取表情包，存入文档。
3、希望通过这个项目能够了解到，对于HTTPS网站，解除ssl验证的有大致的了解。
4、可以尝试的去爬取其他的分类的表情包，按照步骤去实现，实现的时候，总会有各种各样的问题，切勿眼高手低，勤动手，才可以理解的更加深刻。
原文地址:https://blog.csdn.net/pdcfighting/article/details/108800140