​50行Python代码爬取黑丝美眉高清图

python教程

共 6030字,需浏览 13分钟

 ·

2021-08-31 00:00

一、技术路线

requests:网页请求
BeautifulSoup:解析html网页
re:正则表达式,提取html网页信息
os:保存文件
import reimport requestsimport osfrom bs4 import BeautifulSoup

二、获取网页信息

获取网页信息的固定格式,返回的字符串格式的网页内容,其中headers参数可模拟人为的操作,‘欺骗’网站不被发现
def getHtml(url):  #固定格式,获取html内容    headers = {        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'    }  #模拟用户操作    try:        r = requests.get(url, headers=headers)        r.raise_for_status()        r.encoding = r.apparent_encoding        return r.text    except:        print('网络状态错误')

三、网页爬取分析
右键单击图片区域,选择 审查元素 ,可以查看当前网页图片详情链接,我就满心欢喜的复制链接打开保存,看看效果,结果一张图片只有60几kb,这就是缩略图啊,不清晰,果断舍弃。。。

没有办法,只有点击找到详情页链接,再进行单独爬取。
空白右键,查看页面源代码,把刚刚复制的缩略图链接复制查找快速定位,分析所有图片详情页链接存在div标签,并且class=‘list’ 唯一,因此可以使用BeautifulSoup提取此标签。并且发现图片详情页链接在herf=后面(同时我们注意到有部分无效链接也在div标签中,观察它们异同,发现无效链接存在'https'字样,因此可在代码中依据此排出无效链接,对应第4条中的函数代码),只需提取出来再在前面加上网页首页链接即可打开,并且右键图片,‘审查元素’,复制链接下载的图片接近1M,表示是高清图片了,到这一步我们只需调用下载保存函数即可保存图片

四、网页详情页链接获取

首要目标是将每页的每个图片的详情页链接给爬取下来,为后续的高清图片爬取做准备,这里直接使用定义函数def getUrlList(url)
def getUrlList(url):  # 获取图片链接    url_list = []  #存储每张图片的url,用于后续内容爬取    demo = getHtml(url)    soup = BeautifulSoup(demo,'html.parser')    sp = soup.find_all('div', class_="list") #class='list'在全文唯一,因此作为锚,获取唯一的div标签;注意,这里的网页源代码是class,但是python为了和class(类)做区分,在最后面添加了_    nls = re.findall(r'a href="(.*?)" rel="external nofollow"  rel="external nofollow" ', str(sp)) #用正则表达式提取链接    for i in nls:        if 'https' in i: #因所有无效链接中均含有'https'字符串,因此直接剔除无效链接(对应第3条的分析)            continue        url_list.append('http://www.netbian.com' + i) #在获取的链接中添加前缀,形成完整的有效链接    return url_list

五、依据图片链接保存图片

通过上面获取了每个图片的详情页链接后,打开,右键图片审查元素,复制链接即可快速定位,然后保存图片
def fillPic(url,page):    pic_url = getUrlList(url) #调用函数,获取当前页的所有图片详情页链接    path = './美女'  # 保存路径    for p in range(len(pic_url)):        pic = getHtml(pic_url[p])        soup = BeautifulSoup(pic, 'html.parser')        psoup = soup.find('div', class_="pic") #class_="pic"作为锚,获取唯一div标签;注意,这里的网页源代码是class,但是python为了和class(类)做区分,在最后面添加了_        picUrl = re.findall(r'src="(.*?)"', str(psoup))[0] #利用正则表达式获取详情图片链接,因为这里返回的是列表形式,所以取第一个元素(只有一个元素,就不用遍历的方式了)        pic = requests.get(picUrl).content #打开图片链接,并以二进制形式返回(图片,声音,视频等要以二进制形式打开)        image_name ='美女' + '第{}页'.format(page) + str(p+1) + '.jpg' #给图片预定名字        image_path = path + '/' + image_name #定义图片保存的地址        with open(image_path, 'wb') as f: #保存图片            f.write(pic)            print(image_name, '下载完毕!!!')

六、main()函数

经过前面的主体框架搭建完毕之后,对整个程序做一个前置化,直接上代码
在这里第1页的链接是
www.netbian.com/meinv/
第2页的链接是
www.netbian.com/meinv/index…
并且后续页面是在第2页的基础上仅改变最后的数字,因此在写代码的时候要注意区分第1页和后续页面的链接,分别做处理;同时在main()函数还增加了自定义爬取页数的功能,详见代码

def main():    n = input('请输入要爬取的页数:')    url = 'http://www.netbian.com/meinv/'  # 资源的首页,可根据自己的需求查看不同分类,自定义改变目录,爬取相应资源    if not os.path.exists('./美女'):  # 如果不存在,创建文件目录        os.mkdir('./美女/')    page = 1    fillPic(url, page)  # 爬取第一页,因为第1页和后续页的链接的区别,单独处理第一页的爬取    if int(n) >= 2: #爬取第2页之后的资源        ls = list(range(2, 1 + int(n)))        url = 'http://www.netbian.com/meinv/'        for i in ls: #用遍历的方法对输入的需求爬取的页面做分别爬取处理            page = str(i)            url_page = 'http://www.netbian.com/meinv/'            url_page += 'index_' + page + '.htm' #获取第2页后的每页的详情链接            fillPic(url, page) #调用fillPic()函数

七、完整代码

最后再调用main(),输入需要爬取的页数,即可开始爬取,完整代码如下
import reimport requestsimport osfrom bs4 import BeautifulSoup
def getHtml(url): #固定格式,获取html内容 headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36' } #模拟用户操作 try: r = requests.get(url, headers=headers) r.raise_for_status() r.encoding = r.apparent_encoding return r.text except: print('网络状态错误')
def getUrlList(url): # 获取图片链接 url_list = [] #存储每张图片的url,用于后续内容爬取 demo = getHtml(url) soup = BeautifulSoup(demo,'html.parser') sp = soup.find_all('div', class_="list") #class='list'在全文唯一,因此作为锚,获取唯一的div标签;注意,这里的网页源代码是class,但是python为了和class(类)做区分,在最后面添加了_ nls = re.findall(r'a href="(.*?)" rel="external nofollow" rel="external nofollow" ', str(sp)) #用正则表达式提取链接 for i in nls: if 'https' in i: #因所有无效链接中均含有'https'字符串,因此直接剔除无效链接(对应第3条的分析) continue url_list.append('http://www.netbian.com' + i) #在获取的链接中添加前缀,形成完整的有效链接 return url_list
def fillPic(url,page): pic_url = getUrlList(url) #调用函数,获取当前页的所有图片详情页链接 path = './美女' # 保存路径 for p in range(len(pic_url)): pic = getHtml(pic_url[p]) soup = BeautifulSoup(pic, 'html.parser') psoup = soup.find('div', class_="pic") #class_="pic"作为锚,获取唯一div标签;注意,这里的网页源代码是class,但是python为了和class(类)做区分,在最后面添加了_ picUrl = re.findall(r'src="(.*?)"', str(psoup))[0] #利用正则表达式获取详情图片链接,因为这里返回的是列表形式,所以取第一个元素(只有一个元素,就不用遍历的方式了) pic = requests.get(picUrl).content #打开图片链接,并以二进制形式返回(图片,声音,视频等要以二进制形式打开) image_name ='美女' + '第{}页'.format(page) + str(p+1) + '.jpg' #给图片预定名字 image_path = path + '/' + image_name #定义图片保存的地址 with open(image_path, 'wb') as f: #保存图片 f.write(pic) print(image_name, '下载完毕!!!')
def main(): n = input('请输入要爬取的页数:') url = 'http://www.netbian.com/meinv/' # 资源的首页,可根据自己的需求查看不同分类,自定义改变目录,爬取相应资源 if not os.path.exists('./美女'): # 如果不存在,创建文件目录 os.mkdir('./美女/') page = 1 fillPic(url, page) # 爬取第一页,因为第1页和后续页的链接的区别,单独处理第一页的爬取 if int(n) >= 2: #爬取第2页之后的资源 ls = list(range(2, 1 + int(n))) url = 'http://www.netbian.com/meinv/' for i in ls: #用遍历的方法对输入的需求爬取的页面做分别爬取处理 page = str(i) url_page = 'http://www.netbian.com/meinv/' url_page += 'index_' + page + '.htm' #获取第2页后的每页的详情链接 fillPic(url_page, page) #调用fillPic()函数
main()

搜索下方加老师微信

老师微信号:XTUOL1988切记备注学习Python

领取Python web开发,Python爬虫,Python数据分析,人工智能等精品学习课程。带你从零基础系统性的学好Python!


源自 :https://juejin.cn/post/7000252317752623140
声明 : 文章著作权归作者所有,如有侵权,请联系小编删除。
浏览 8
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报