最近项目不那么紧张，有时间来研究一下Python,先前断断续续的自学了一段时间，有些浅基础。刚好在码云上看到比较适合的案例，跟着案例再往前走一波。
案例一：爬虫抓图
开发工具：PyCharm 脚本语言：Python 3.7.1 开发环境：Win10 爬取网站：妹子图
# Win下直接装的 python3
pip install bs4、pip install requests
# Linux python2 python3 共存
pip3 install bs4、pip3 install requests pip list 查看库
导库说明
# 导入requests库 导入目的：负责发送网络请求
import requests
# 导入文件操作库OS 导入目的：读写
import os
# bs4全名BeautifulSoup，是编写python爬虫常用库之一，主要用来解析html标签。 性能据说可能差了点，入门级凑合着用吧。
import bs4
from bs4 import BeautifulSoup
# 基础类库
import sys
# Python 3.x 解决中文编码问题
import importlib
importlib.reload(sys)
先上源代码：
#coding=utf-8
#!/usr/bin/python
# 导入requests库
import requests
# 导入文件操作库
import os
import bs4
from bs4 import BeautifulSoup
import sys
import importlib
importlib.reload(sys) # 给请求指定一个请求头来模拟chrome浏览器
global headers
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36'}
# 爬图地址
mziTu = 'http://www.mzitu.com/'
# 定义存储位置
global save_path
save_path = 'G:\BeautifulPictures' # 创建文件夹
def createFile(file_path):
if os.path.exists(file_path) is False:
os.makedirs(file_path)
# 切换路径至上面创建的文件夹
os.chdir(file_path) # 下载文件
def download(page_no, file_path):
global headers
res_sub = requests.get(page_no, headers=headers)
# 解析html
soup_sub = BeautifulSoup(res_sub.text, 'html.parser')
# 获取页面的栏目地址
all_a = soup_sub.find('div',class_='postlist').find_all('a',target='_blank')
count = 0
for a in all_a:
count = count + 1
if (count % 2) == 0:
print("内页第几页：" + str(count))
# 提取href
href = a.attrs['href']
print("套图地址：" + href)
res_sub_1 = requests.get(href, headers=headers)
soup_sub_1 = BeautifulSoup(res_sub_1.text, 'html.parser')
# ------ 这里最好使用异常处理 ------
try:
# 获取套图的最大数量
pic_max = soup_sub_1.find('div',class_='pagenavi').find_all('span')[6].text
print("套图数量：" + pic_max)
for j in range(1, int(pic_max) + 1):
# print("子内页第几页：" + str(j))
# j int类型需要转字符串
href_sub = href + "/" + str(j)
print(href_sub)
res_sub_2 = requests.get(href_sub, headers=headers)
soup_sub_2 = BeautifulSoup(res_sub_2.text, "html.parser")
img = soup_sub_2.find('div', class_='main-image').find('img')
if isinstance(img, bs4.element.Tag):
# 提取src
url = img.attrs['src']
array = url.split('/')
file_name = array[len(array)-1]
# print(file_name)
# 防盗链加入Referer
headers = {'Referer': href}
img = requests.get(url, headers=headers)
# print('开始保存图片')
f = open(file_name, 'ab')
f.write(img.content)
# print(file_name, '图片保存成功！')
f.close()
except Exception as e:
print(e) # 主方法
def main():
res = requests.get(mziTu, headers=headers)
# 使用自带的html.parser解析
soup = BeautifulSoup(res.text, 'html.parser')
# 创建文件夹
createFile(save_path)
# 获取首页总页数
img_max = soup.find('div', class_='nav-links').find_all('a')[3].text
# print("总页数:"+img_max)
for i in range(1, int(img_max) + 1):
# 获取每页的URL地址
if i == 1:
page = mziTu
else:
page = mziTu + 'page/' + str(i)
file = save_path + '\\' + str(i)
createFile(file)
# 下载每页的图片
print("套图页码：" + page)
download(page, file) if __name__ == '__main__':
main()
代码分析：
if __name__ == '__main__':
main()
这段代码啥意思呢？
if __name__ == '__main__'的意思是：当.py文件被直接运行时，if __name__ == '__main__'之下的代码块将被运行；当.py文件以模块形式被导入时，if __name__ == '__main__'之下的代码块不被运行。
如果没有这段代码 主方法main()也就无法被直接运行，可以简单先理解为启动主方法的入口。
然后我们再看主方法
# 主方法
def main():
res = requests.get(mziTu, headers=headers)
// 我们可以从这个对象res中获取所有我们想要的信息 下行res.text 就是当前页面的html信息 具体看对应API
# 使用自带的html.parser解析
soup = BeautifulSoup(res.text, 'html.parser')
//html字符串创建BeautifulSoup对象 此处可以soup.title soup.title.name soup.title.string soup.a['href'] soup.p['class'] 不嫌事多，你可以打印出来看看，具体看对应API
# 创建文件夹
createFile(save_path) //创建目标文件夹，作用当然用来存爬到的资源
# 获取首页总页数
img_max = soup.find('div', class_='nav-links').find_all('a')[3].text
# print("总页数:"+img_max)
for i in range(1, int(img_max) + 1):
# 获取每页的URL地址
if i == 1:
page = mziTu
else:
page = mziTu + 'page/' + str(i)
file = save_path + '\\' + str(i)
createFile(file)
# 下载每页的图片
print("套图页码：" + page)
download(page, file)
核心代码
res = requests.get(mziTu, headers=headers)
soup = BeautifulSoup(res.text, 'html.parser')以上两段代码我们基本上拿到了以下html信息的全部
# 获取首页总页数
img_max = soup.find('div', class_='nav-links').find_all('a')[3].text
第一步：soup.find('div',class='nav-links')取到class='nav-links'的div
第二步：.find_all('a') 在该div内取全部的<a></a>标签 为一个数组
第三步：.find_all('a')[3] 取第四个<a></a>标签 数组下标从0开始
第四步：.find_all('a')[3].text 取得页码总数 也就是 200
for i in range(1, int(img_max) + 1):
# 获取每页的URL地址
if i == 1:
page = mziTu
else:
page = mziTu + 'page/' + str(i)
file = save_path + '\\' + str(i)
createFile(file)
# 下载每页的图片
print("套图页码：" + page)
download(page, file)
这段理解起来很简单
第一步：创建存放文件夹 此处save_path="G:\BeautifulPictures\num" num=[1,200] 程序运行后，此目录有源源不断的图片纷至杳来。
第二步：拼接源文件（每一张图片）路径？目标是此，但此处具体到每一页（路径是：http://www.mzitu.com/page/num num=[1,200]），还没深入到每一个专题。要想具体到每一张只能继续往下爬，此处可移步download(page,file)方法。 例如现在num=4 经过download()方法就可以具体到每一张图片了 下面分析download()方法
# 下载文件
def download(page_no, file_path):
global headers
res_sub = requests.get(page_no, headers=headers)
# 解析html
soup_sub = BeautifulSoup(res_sub.text, 'html.parser')
# 获取页面的栏目地址
all_a = soup_sub.find('div',class_='postlist').find_all('a',target='_blank')
count = 0
for a in all_a:
count = count + 1
if (count % 2) == 0:
print("内页第几页：" + str(count))
# 提取href
href = a.attrs['href']
print("套图地址：" + href)
res_sub_1 = requests.get(href, headers=headers)
soup_sub_1 = BeautifulSoup(res_sub_1.text, 'html.parser')
# ------ 这里最好使用异常处理 ------
try:
# 获取套图的最大数量
pic_max = soup_sub_1.find('div',class_='pagenavi').find_all('span')[6].text
print("套图数量：" + pic_max)
for j in range(1, int(pic_max) + 1):
# print("子内页第几页：" + str(j))
# j int类型需要转字符串
href_sub = href + "/" + str(j)
print(href_sub)
res_sub_2 = requests.get(href_sub, headers=headers)
soup_sub_2 = BeautifulSoup(res_sub_2.text, "html.parser")
img = soup_sub_2.find('div', class_='main-image').find('img')
if isinstance(img, bs4.element.Tag):
# 提取src
url = img.attrs['src']
array = url.split('/')
file_name = array[len(array)-1]
# print(file_name)
# 防盗链加入Referer
headers = {'Referer': href}
img = requests.get(url, headers=headers)
# print('开始保存图片')
f = open(file_name, 'ab')
f.write(img.content)
# print(file_name, '图片保存成功！')
f.close()
except Exception as e:
print(e)
假设num=4 ,此时
page_no='http://www.mzitu.com/page/4'
经过request.get()，发送get请求，再被BeautifulSoup解析我们就拿到了下面的html代码
res_sub = requests.get(page_no, headers=headers)
# 解析html
soup_sub = BeautifulSoup(res_sub.text, 'html.parser')
然后我们很容易看到我们的目标文件是,id='pins'下的所有<a></a>标签，如下图。此herf只具体到每一个小姐姐的第一张照片，还不能具体到小姐姐的每一张照片。没关系，点击链接进去，再看看。
此时我们再看
再扒一层就到具体的每一张图片的地址了，读一波，写一波f.write(img.content)，一波走起，保存本地，
然后看本地的战利品：请爱惜自己的身体
个人小小的赶脚，爬虫抓包，找到你需要下载的每一个路径，一步步去按标签爬，保存本地。貌似也挺简单的哈。第一次跑Python代码，不好的地方见笑。
源代码码云地址：https://gitee.com/52itstyle/Python 感兴趣的一起学一波，组个队。
补充：如果是Python2.7版本的话
import importlib
importlib.reload(sys)
替换成下面的导入可解决Python版本不同导致的编码问题
import imp
imp.reload(sys)
sys.setdefaultencoding('utf8')