Python爬蟲入門教程 5-100 27270圖片爬取

時間 2019-12-09

原文原文鏈接

獲取待爬取頁面

今天繼續爬取一個網站，http://www.27270.com/ent/meinvtupian/ 這個網站具有反爬，so咱們下載的代碼有些地方處理的也不是很到位，你們重點學習思路，有啥建議能夠在評論的地方跟我說說。html

爲了之後的網絡請求操做方向，咱們此次簡單的進行一些代碼的封裝操做。python

在這裏你能夠先去安裝一個叫作 retrying 的模塊git

pip install retrying

這個模塊的具體使用，本身去百度吧。嘿嘿噠~github

在這裏我使用了一個隨機產生user_agent的方法正則表達式

import requests
from retrying import retry
import random
import datetime

class R:

    def __init__(self,method="get",params=None,headers=None,cookies=None):
        # do something


    def get_headers(self):
        user_agent_list = [ \
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1" \
            "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11", \
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", \
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6", \
            "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1", \
            "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5", \
            "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5", \
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \
            "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \
            "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", \
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", \
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \
            "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3", \
            "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24", \
            "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
        ]
        UserAgent = random.choice(user_agent_list)
        headers = {'User-Agent': UserAgent}
        return headers
    #other code

retrying 最簡單的使用就是給你想不斷重試的方法加上裝飾器 @retry 服務器

在這裏，我但願網絡請求模塊嘗試3次以後，在報錯！cookie

同時在R類初始化方法中增長一些必備的參數，你能夠直接看下面的代碼網絡

__retrying_requests 方法爲私有方法，其中根據get和post方式進行邏輯判斷多線程

import requests
from retrying import retry
import random
import datetime

class R:

    def __init__(self,method="get",params=None,headers=None,cookies=None):
        #do something

    def get_headers(self):
        # do something
    @retry(stop_max_attempt_number=3)
    def __retrying_requests(self,url):
        if self.__method == "get":
            response = requests.get(url,headers=self.__headers,cookies=self.__cookies,timeout=3)
        else:
            response = requests.post(url,params=self.__params,headers=self.__headers,cookies=self.__cookies,timeout=3)
        return response.content

   
    # other code

網絡請求的方法已經聲明完畢，而且返回 response.content 數據流app

下面基於這個私有方法，增長一個獲取網絡文本的方法和一個獲取網絡文件的方法。同步完善類的初始化方法，在開發中發現，咱們要爬取的網頁編碼是gb2312 因此還須要給某些方法增長一個編碼參數

import requests
from retrying import retry
import random
import datetime

class R:
    # 類的初始化方法
    def __init__(self,method="get",params=None,headers=None,cookies=None):
        self.__method = method
        myheaders = self.get_headers()
        if headers is not None:
            myheaders.update(headers)
        self.__headers = myheaders
        self.__cookies = cookies
        self.__params = params


    def get_headers(self):
       # do something

    @retry(stop_max_attempt_number=3)
    def __retrying_requests(self,url):
        # do something

    # get請求
    def get_content(self,url,charset="utf-8"):
        try:
            html_str = self.__retrying_requests(url).decode(charset)
        except:
            html_str = None
        return html_str

    def get_file(self,file_url):
        try:
            file = self.__retrying_requests(file_url)
        except:
            file = None
        return file

到此，這個R類已經被咱們完善了，完整的代碼，你應該從上面拼湊起來，你也能夠直接翻到文章最後面，去github上直接查閱。

接下來，就是比較重要的爬蟲代碼部分了。這一次，咱們能夠簡單的使用一下類和對象，而且加上簡單的多線程操做。

首先，建立一個 ImageList 類，這個類第一件事情，須要獲取咱們爬取頁面的總頁碼數目

這個步驟比較簡單

獲取網頁源碼
正則匹配末頁元素
提取數字

import http_help as hh   # 這個http_help 是我上面寫到的那個R類
import re
import threading
import time
import os
import requests

# 獲取全部待爬取的URL列表
class ImageList():
    def __init__(self):
        self.__start = "http://www.27270.com/ent/meinvtupian/list_11_{}.html"  # URL模板
        # 頭文件
        self.__headers = {"Referer":"http://www.27270.com/ent/meinvtupian/",
                          "Host":"www.27270.com"
                          }
        self.__res = hh.R(headers=self.__headers)  # 初始化訪問請求
    def run(self):
        page_count =  int(self.get_page_count())

        if page_count==0:
            return
        urls = [self.__start.format(i) for i in range(1,page_count)]
        return urls


    # 正則表達式匹配末頁，分析頁碼
    def get_page_count(self):
        # 注意這個地方須要傳入編碼
        content = self.__res.get_content(self.__start.format("1"),"gb2312")
        pattern = re.compile("<li><a href='list_11_(\d+?).html' target='_self'>末頁</a></li>")
        search_text = pattern.search(content)
        if search_text is not None:
            count = search_text.group(1)
            return count
        else:
            return 0
if __name__ == '__main__':
    img = ImageList()
    urls = img.run()

上面的代碼注意get_page_count方法，該方法已經獲取到了末尾的頁碼

咱們在run方法內部，經過一個列表生成器

urls = [self.__start.format(i) for i in range(1,page_count)]

批量把要爬取的全部連接都生成完畢。

分析上面爬取到的URL列表，捕獲詳情頁

咱們採用生產者和消費者模型，就是一個抓取連接圖片，一個下載圖片，採用多線程的方式進行操做，須要首先引入

import threading
import time

完整代碼以下

import http_help as hh
import re
import threading
import time
import os
import requests

urls_lock = threading.Lock()  #url操做鎖
imgs_lock = threading.Lock()  #圖片操做鎖

imgs_start_urls = []


class Product(threading.Thread):
    # 類的初始化方法
    def __init__(self,urls):
        threading.Thread.__init__(self)
        self.__urls = urls
        self.__headers = {"Referer":"http://www.27270.com/ent/meinvtupian/",
                          "Host":"www.27270.com"
                          }

        self.__res = hh.R(headers=self.__headers)

    # 連接抓取失敗以後從新加入urls列表中
    def add_fail_url(self,url):
        print("{}該URL抓取失敗".format(url))
        global urls_lock
        if urls_lock.acquire():
            self.__urls.insert(0, url)
            urls_lock.release()  # 解鎖
    
    # 線程主要方法
    def run(self):
        print("*"*100)
        while True:
            global urls_lock,imgs_start_urls
            if len(self.__urls)>0:
                if urls_lock.acquire():   # 鎖定
                    last_url = self.__urls.pop()   # 獲取urls裏面最後一個url，而且刪除
                    urls_lock.release()  # 解鎖

                print("正在操做{}".format(last_url))

                content = self.__res.get_content(last_url,"gb2312")   # 頁面注意編碼是gb2312其餘格式報錯
                if content is not  None:
                    html = self.get_page_list(content)

                    if len(html) == 0:
                        self.add_fail_url(last_url)
                    else:
                        if imgs_lock.acquire():
                            imgs_start_urls.extend(html)    # 爬取到圖片以後，把他放在待下載的圖片列表裏面
                            imgs_lock.release()

                    time.sleep(5)
                else:
                    self.add_fail_url(last_url)

            else:
                print("全部連接已經運行完畢")
                break





    def get_page_list(self,content):
        # 正則表達式
        pattern = re.compile('<li> <a href="(.*?)" title="(.*?)" class="MMPic" target="_blank">.*?</li>')
        list_page = re.findall(pattern, content)

        return list_page

上述代碼中比較重要的有
threading.Lock() 鎖的使用，在多個線程之間操做全局變量，須要進行及時的鎖定；
其餘的注意內容，我已經添加在註釋裏面，只要你按着步驟一點點的寫，而且加入一些本身微妙的理解，就能夠搞定。

到如今爲止，咱們已經抓取到了全部的圖片地址，我把他存放在了一個全局的變量裏面 imgs_start_urls
那麼如今又來了

這個列表裏面存放的是 http://www.27270.com/ent/meinvtupian/2018/298392.html 這樣的地址，當你打開這個頁面以後，你會發現只有一張圖片，而且下面有個分頁。

點擊分頁以後，就知道規律了

http://www.27270.com/ent/meinvtupian/2018/298392.html 
http://www.27270.com/ent/meinvtupian/2018/298392_2.html 
http://www.27270.com/ent/meinvtupian/2018/298392_3.html 
http://www.27270.com/ent/meinvtupian/2018/298392_4.html 
....

當你進行屢次嘗試以後，你會發現，後面的連接徹底能夠靠拼接完成，若是沒有這個頁面，那麼他會顯示？

好了，若是你進行了上面的操做，你應該知道接下來怎麼實現啦！

我把全部的代碼，都直接貼在下面，仍是用註釋的方式給你們把最重要的地方標註出來

class Consumer(threading.Thread):
    # 初始化
    def __init__(self):
        threading.Thread.__init__(self)
        self.__headers = {"Referer": "http://www.27270.com/ent/meinvtupian/",
                          "Host": "www.27270.com"}
        self.__res = hh.R(headers=self.__headers)

    # 圖片下載方法
    def download_img(self,filder,img_down_url,filename):
        file_path = "./downs/{}".format(filder)
        
        # 判斷目錄是否存在，存在建立
        if not os.path.exists(file_path):
            os.mkdir(file_path)  # 建立目錄

        if os.path.exists("./downs/{}/{}".format(filder,filename)):
            return
        else:
            try:
                # 這個地方host設置是個坑，由於圖片爲了防止盜鏈，存放在另外一個服務器上面
                img = requests.get(img_down_url,headers={"Host":"t2.hddhhn.com"},timeout=3)
            except Exception as e:
                print(e)

            print("{}寫入圖片".format(img_down_url))
            try:
                # 圖片寫入不在贅述
                with open("./downs/{}/{}".format(filder,filename),"wb+") as f:
                    f.write(img.content)
            except Exception as e:
                print(e)
                return





    def run(self):

        while True:
            global imgs_start_urls,imgs_lock

            if len(imgs_start_urls)>0:
                if imgs_lock.acquire():  # 鎖定
                    img_url = imgs_start_urls[0]   #獲取到連接以後
                    del imgs_start_urls[0]  # 刪掉第0項
                    imgs_lock.release()  # 解鎖
            else:
                continue

            # http://www.27270.com/ent/meinvtupian/2018/295631_1.html

            #print("圖片開始下載")
            img_url = img_url[0]
            start_index = 1
            base_url = img_url[0:img_url.rindex(".")]    # 字符串能夠當成列表進行切片操做

            while True:

                img_url ="{}_{}.html".format(base_url,start_index)   # url拼接
                content = self.__res.get_content(img_url,charset="gbk")   # 這個地方獲取內容，採用了gbk編碼
                if content is not None:
                    pattern = re.compile('<div class="articleV4Body" id="picBody">[\s\S.]*?img alt="(.*?)".*? src="(.*?)" />')
                    # 匹配圖片，匹配不到就表明本次操做已經完畢
                    img_down_url = pattern.search(content)  # 獲取到了圖片地址

                    if img_down_url is not None:
                        filder = img_down_url.group(1)
                        img_down_url = img_down_url.group(2)
                        filename = img_down_url[img_down_url.rindex("/")+1:]
                        self.download_img(filder,img_down_url,filename)  #下載圖片

                    else:
                        print("-"*100)
                        print(content)
                        break # 終止循環體

                else:
                    print("{}連接加載失敗".format(img_url))

                    if imgs_lock.acquire():  # 鎖定
                        imgs_start_urls.append(img_url)
                        imgs_lock.release()  # 解鎖

                start_index+=1   # 上文描述中，這個地方須要不斷進行+1操做

全部的代碼都在上面了，關鍵的地方我儘可能加上了標註，你能夠細細的看一下，實在看不明白，就多敲幾遍，由於沒有特別複雜的地方，好多都是邏輯。

最後附上main部分的代碼，讓咱們的代碼跑起來

if __name__ == '__main__':

    img = ImageList()
    urls = img.run()
    for i in range(1,2):
        p = Product(urls)
        p.start()

    for i in range(1,2):
        c = Consumer()
        c.start()

一會事後，就慢慢收圖吧

相關標籤/搜索

每日一句

每一个你不满意的现在，都有一个你没有努力的曾经。