【Python56--爬取妹子图】
2024-10-18 12:05:45
爬取网站的思路
第一步:首先分析爬取网站的连接地址特性,发现翻页图片的时候连接:http://www.mmjpg.com/mm/1570 ,http://www.mmjpg.com/mm/1569,只有后面的数字会变化
第二步:然后翻页1,2,3,用检查(查看源代码)来获取翻页的数字
第三步:查看图片的地址,保存后并写入文件内
思路就是这样的一个思路,具体用代码梳理具体的思路
第一步:
首先写一个主函数:包括:url,url后面的索引:index(1570),翻页(1,2),下载的图片地址;并且采用函数封装的思路
def main(index):
#1、写url地址
main_url = 'http://www.mmjpg.com/mm/%s' % index
#2、获取翻页地址,写一个get_page()函数
page = get_page(main_url)
if os.path.exists(path) != True:
os.mkdir(path) #创建工作目录
#print(path)
else:
os.chdir(path) #切换到工作目录
#3、遍历所有页,获取图片的地址
for i in range(1, int(page) + 1):
url = '%s/%s' % (main_url, i)
try:
get_img(url) #获取图片地址
except Exception as e:
raise e
第二步:
抓取index,用函数封装写
1、用网页检查拿到1570的html
''''
<li><a href="http://www.mmjpg.com/mm/1570" target="_blank">切出来1570这个数字
'''
#获取http://www.mmjpg.com/mm/1570的index:如:1570,1569
def get_index():
#2、获取网页的html
r = requests.get('http://www.mmjpg.com', headers=headers)
r.encoding = 'utf-8'
html = r.text #3、etree.HTML():构造了一个XPath解析对象并对HTML文本进行自动修正。
#etree.tostring():输出修正后的结果,类型是bytes
selector = etree.HTML(html)
#4、获取<li><a标签下的内容,[0]取第一个
content = selector.xpath('//li/a')[0]
#5、继续取href的内容,[0]取第一个:即:http://www.mmjpg.com/mm/1570
num = content.xpath('@href')[0]
#6、已斜杠为切片,获取不同的字符,即:['http:', '', 'www.mmjpg.com', 'mm', '1570']
num = num.split('/')
#7、取num最后一个字符,并强制转换成整形
num = int(num[-1])
#返回所有的index:1570,1569
return range(1, num + 1)
# for each in range(1,num+1):
# print(each)
第三步:
获取翻页的1,2,3
#1、鼠标放到翻页的1上面右键检查,得到以下内容
'''
<div class="page" id="page">
<em class="ch preno">没有了</em>
<em>1</em>
<a href="/mm/1570/2">2</a>
<a href="/mm/1570/3">3</a>
<a href="/mm/1570/4">4</a>
<a href="/mm/1570/5">5</a>
<a href="/mm/1570/6">6</a>
<i>
</i>
<a href="/mm/1570/50">50</a>
<em class="ch all" id="opic" onclick="openall(1);">全部图片</em>
<a href="/mm/1570/2" class="ch next">下一张</a></div>
'''
def get_page(url):
r = requests.get(url, headers=headers)
r.encoding = 'utf-8'
html = r.text selector = etree.HTML(html)
#2、获取所有页:1、2...50、下一页,即获取下面<a>2<a>的2,3,4,5,6...50
page = selector.xpath('//div[@id="page"]/a/text()')[-2]
第四步:
获取图片地址
#1、鼠标放到图片上,右键检查,获取以下内容
'''
<div class="content" id="content">
<a href="http://www.mmjpg.com/mm/1570/2">
<img src="http://fm.shiyunjj.com/2018/1570/1i28.jpg" data-img="http://fm.shiyunjj.com/2018/1570/1i28.jpg" alt="萌味十足的小尤奈雪白胴体相当性感"></a>
</div>
'''
#通过图片的地址来获取图片
def get_img(url):
r = requests.get(url, headers=headers)
r.encoding = 'utf-8'
html = r.text
selector = etree.HTML(html)
try:
#2、取img标签下的内容
content = selector.xpath('//div[@id="content"]/a/img')[0]
#3、获取图片url地址
img_url = content.xpath('@src')[0]
#4、取图片名字
title = content.xpath('@alt')[0]
#5、 #保存标题和对应的url地址
sav_img(title, img_url)
except Exception as e:
print('Erro!!!')
pass
第六步:
编写__name__
if __name__ == '__main__':
indexs = get_index()
#reversed()函数是返回序列seq的反向访问的迭代子,因为get_index()返回的是1570,1569,1568这样的序列,反向就是从1568,1569,1570
for index in reversed(indexs):
main(index)
完整的代码如下:
import requests
import os
from lxml import etree headers = {
'Referer': 'http://www.mmjpg.com/mm/',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36'
} #返回当前进程的工作目录
path = os.getcwd() + '\img' def get_index():
r = requests.get('http://www.mmjpg.com',headers = headers)
r.encoding= 'utf-8'
html = r.text selector = etree.HTML(html)
content = selector.xpath('//li/a')[0]
num = content.xpath('@href')[0]
num = num.split('/')
num = int(num[-1])
return range(1,num+1) def get_page(url):
r = requests.get(url,headers=headers)
r.encoding = 'utf-8'
html = r.text selector = etree.HTML(html)
page = selector.xpath('//div[@id="page"]/a/text()')[-2]
return (page) def get_img(url):
r = requests.get(url,headers=headers)
r.encoding = 'utf-8'
html = r.text selector = etree.HTML(html)
try:
content = selector.xpath('//div[@id = "content"]/a/img')[0]
img_url = content.xpath('@src')[0]
title = content.xpath('@alt')[0]
save_img(title,img_url)
except Exception as e:
print('Erro!!!')
pass def save_img(name,url):
name = name + '.jpg'
if name in os.listdir(path):
print('重复文件')
else:
r = requests.get(url,headers=headers)
with open(name,'wb') as f:
f.write(r.content)
print(name) def main(index):
main_url = 'http://www.mmjpg.com/mm/%s'%index
page = get_page(main_url)
if os.path.exists(path)!= True:
os.mkdir(path)
else:
os.chdir(path) for i in range(1,int(page)+1):
url = '%s/%s'%(main_url,i)
try:
get_img(url)
except Exception as e:
raise e if __name__ == '__main__':
index = get_index()
for index in reversed(index):
main(index)
最新文章
- 《我是一只IT小小鸟》读后感
- 尝试制作了一个Panorama
- This application is currently offline. To enable the application, remove the app_offline.htm file from the application r
- Java线程专栏文章汇总(转)
- C#中的OLEDB连接2
- C#如何检测一个字符串是不是合法的URL
- EF支持复杂类型的实现
- Node.js权威指南 (11) - 加密与压缩
- [转载]用可变参数宏(variadic macros)传递可变参数表
- VS2008发布程序
- C/C++:C++友元类
- jQuery实践-别踩白块儿网页版
- 28款GitHub最流行的开源机器学习项目
- Linux查看磁盘剩余空间
- 短文本分析----基于python的TF-IDF特征词标签自动化提取
- hibernate 的sum(filed)引发的NullPointException错误解决过程
- nginx 禁止恶意域名解析
- One Technical Problem: Can one process load two different c libraries simutaneously, such as uclibc and glibc?
- 使用pm2来保证Spring Boot应用稳定运行
- Zabbix agent 在windows上安装部署
热门文章
- 用URLRewriter重写url
- Cf Round #403 B. The Meeting Place Cannot Be Changed(二分答案)
- C# HtmlDocument和HtmlNode的使用以及节点的模糊查询
- VC2012+QT新建一个控制台程序
- Redis实现分布式Session
- 步进电机 28BYJ-48介绍和驱动及编程
- 排序(Sort)-----插入排序
- oracle查询每隔5分钟区间内的数据量
- 大数据处理框架之Strom:容错机制
- dict[&#39;source&#39;] = list[1],出现这种情况大多是数据的格式发生错误