requests + BeautifulSoup + urllib 爬取並下載網站圖片到本地（二）

這篇是上一篇的進階版，雖然也是下載圖片到本地，但比上一篇複雜了許多，上一篇只是下載當前頁的圖片到本地，這一篇是下載整站的詳情頁圖片到本地，涉及了連續多頁爬取，根據 item 建立文件夾保存每一個詳情頁的圖片，爬取的數據量大大提高了好幾十幾百。

準備工做

• 開發環境：Windows，Pycharm，Request，BeautifulSoup，urllib
• 須要必定的 Python 爬蟲、HTML 基礎

開始動身

本次要爬取的網站依然是 帥啊 網 咱們須要把整站的詳情頁圖片下載到本地

• 製做爬蟲
  1. 因爲獲取下來的 html 編碼格式不對，因此要指定編碼格式爲 utf-8
  2. 獲取頁面中每一個 item 的詳情頁連接
  3. 獲取詳情頁的全部圖片連接（單個或多個）
  4. 以 item 的標題爲文件夾，將詳情頁的圖片下載到該文件夾中
  5. 抓取下一頁（重複 二、三、4 步驟）

from bs4 import BeautifulSoup
import requests
import os
import urllib.request
import time

headers = {
    "Cookie": "gsScrollPos-1702684443=0; UM_distinctid=16685e0279d3e0-06f34603dfa898-36664c08-1fa400-16685e0279e133; bdshare_firstime=1539844405694; _d_id=6556c25e9ddd0e7e71096a1e343f6b; gsScrollPos-1702684407=; CNZZDATA1254092508=1744643453-1539842703-%7C1540364765",
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36",
}
path = "D://images/"

def get_links(url):
    wb_data = requests.get(url, headers=headers)  # headers 假裝
    wb_data.encoding = "utf-8"
    soup = BeautifulSoup(wb_data.text, 'lxml')

    if wb_data.status_code == 404:
        return

    if not os.path.exists(path):  # 判斷該文件夾是否存在，不存在則建立
        os.mkdir(path)
    links = soup.select(".item-img")

    for link in links:
        download_img(link.get('href'))
        time.sleep(1)

    # 下一頁
    next_page = soup.select(".next")[0].get("href")
    print("------ next page -------")
    get_links(next_page)

    print("------ download done -------")

def download_img(url):
        wb_data = requests.get(url, headers=headers)
        wb_data.encoding = "utf-8"
        soup = BeautifulSoup(wb_data.text, 'lxml')
        images = soup.select(".wr-single-content-list img")
        catalog = soup.select("h1")[0].get_text()  # 獲取詳情頁標題做爲文件夾名稱
        catalog = path + catalog + "/"
        if not os.path.exists(catalog):
            os.mkdir(catalog)
        for index, image in enumerate(images): # enumerate 是 Python 的內置函數，用它能夠同時返回索引和值
            print(index)
            img = image.get("src")
            urllib.request.urlretrieve(img, catalog + str(index) + ".jpg")
        print("-------- downloading ---------")

if __name__ == "__main__":

    get_links("http://www.shuaia.net/index.html")
複製代碼

• 開始爬取