Python爬蟲入門教程 6-100 蜂鳥網圖片爬取之一

1. 蜂鳥網圖片--簡介

國慶假日結束了，新的工做又開始了，今天咱們繼續爬取一個網站，這個網站爲 http://image.fengniao.com/ ，蜂鳥一個攝影大牛彙集的地方，本教程請用來學習，不要用於商業目的，不出意外，蜂鳥是有版權保護的網站。

2. 蜂鳥網圖片--網站分析

第一步，分析要爬取的網站有沒有方法爬取，打開頁面，找分頁

http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page=1&not_in_id=5352384,5352410
http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page=2&not_in_id=5352384,5352410
http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page=3&not_in_id=5352384,5352410
http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page=4&not_in_id=5352384,5352410

上面的頁面發現一個關鍵的參數page=1這個就是頁碼了，可是另外一個比較頭疼的問題是，他沒有最後的頁碼，這樣咱們沒有辦法肯定循環次數，因此後面的代碼編寫中，只能使用while了

這個地址返回的是JSON格式的數據，這個對爬蟲來講，很是友好！省的咱們用正則表達式分析了。

分析這個頁面的頭文件，查閱是否有反爬措施

發現除了HOST和User-Agent之外，沒有特殊的點，大網站就是任性，沒啥反爬，可能壓根不在意這個事情。

第二步，分析圖片詳情頁面，在咱們上面獲取到的JSON中，找到關鍵地址

關鍵地址打開以後，這個地方有一個比較騷的操做了，上面圖片中標註的URL選的很差，剛好是一個文章了，咱們要的是組圖，從新提供一個新連接 http://image.fengniao.com/slide/535/5352130_1.html#p=1

打開頁面，你可能直接去找規律了，找到下面的一堆連接，可是這個操做就有點複雜了，咱們查閱上述頁面的源碼

http://image.fengniao.com/slide/535/5352130_1.html#p=1
http://image.fengniao.com/slide/535/5352130_1.html#p=2
http://image.fengniao.com/slide/535/5352130_1.html#p=3
....

網頁源碼中發現了，這麼一塊區域

大膽的猜想一下，這個應該是圖片的JSON，只是他打印在了HTML中，咱們只須要用正則表達式進行一下匹配就行了，匹配到以後，而後進行下載。

第三步，開始擼代碼。

3. 蜂鳥網圖片--寫代碼

from http_help import R  # 這個文件本身去上篇博客找，或者去github找
import threading
import time
import json
import re

img_list = []
imgs_lock = threading.Lock()  #圖片操做鎖


# 生產者類
class Product(threading.Thread):

    def __init__(self):
        threading.Thread.__init__(self)

        self.__headers = {"Referer":"http://image.fengniao.com/",
                          "Host": "image.fengniao.com",
                          "X-Requested-With":"XMLHttpRequest"
                          }
        #連接模板
        self.__start = "http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page={}&not_in_id={}"
        self.__res = R(headers=self.__headers)


    def run(self):

        # 由於不知道循環次數，全部採用while循環
        index = 2 #起始頁碼設置爲1
        not_in = "5352384,5352410"
        while True:
            url  = self.__start.format(index,not_in)
            print("開始操做:{}".format(url))
            index += 1

            content = self.__res.get_content(url,charset="gbk")

            if content is None:
                print("數據可能已經沒有了====")
                continue

            time.sleep(3)  # 睡眠3秒
            json_content = json.loads(content)

            if json_content["status"] == 1:
                for item in json_content["data"]:
                    title = item["title"]
                    child_url =  item["url"]   # 獲取到連接以後

                    img_content = self.__res.get_content(child_url,charset="gbk")

                    pattern = re.compile('"pic_url_1920_b":"(.*?)"')
                    imgs_json = pattern.findall(img_content)
                    if len(imgs_json) > 0:

                        if imgs_lock.acquire():
                            img_list.append({"title":title,"urls":imgs_json})   # 這個地方，我用的是字典+列表的方式，主要是想後面生成文件夾用，你能夠進行改造
                            imgs_lock.release()

上面的連接已經生成，下面就是下載圖片了，也很是簡單

# 消費者
class Consumer(threading.Thread):
    def __init__(self):
        threading.Thread.__init__(self)
        self.__res = R()

    def run(self):

        while True:
            if len(img_list) <= 0:
                continue  # 進入下一次循環

            if imgs_lock.acquire():

                data = img_list[0]
                del img_list[0]  # 刪除第一項

                imgs_lock.release()

            urls =[url.replace("\\","") for url in data["urls"]]

            # 建立文件目錄
            for item_url in urls:
               try:
                   file =  self.__res.get_file(item_url)
                   # 記得在項目根目錄先把fengniaos文件夾建立完畢
                   with open("./fengniaos/{}".format(str(time.time())+".jpg"), "wb+") as f:
                       f.write(file)
               except Exception as e:
                   print(e)

代碼走起，結果

github源碼