前因后果
公司新来的小姐姐,超级喜欢看漫画,天天给我介绍,好烦~
现在是2022年9月15日16点30,于是我决定, 五点下班前写个代码把她说的漫画全部爬下来,应付一下~
再发篇文章揭露她的罪恶,嘿嘿~
环境使用
Python 3.8
Pycharm 2021.2版本
模块使用
import requests >>> # 数据请求模块 pip install requests import re # 正则模块 import os # 文件操作模块
基本流程思路
一. 数据来源分析
1. 确定自己需求:
采集那个网站上面什么数据内容
https://www.dongmanmanhua.cn 网址自己补全一下,实在不知道的话文末见。
正常访问流程:
1. 选中漫画 ---> 目录页面 <请求列表页面 获取所有章节链接>
2. 选择一个漫画内容 ---> 漫画页面 <请求章节链接, 获取所有漫画内容url>
3. 看漫画内容 <保存数据, 漫画图片内容保存下来>
分析流程: <开发者工具进行抓包分析>
1. 查看漫画图片url地址, 是什么样子
https://cdn.dongmanmanhua.cn/166052717362315191169.jpg?x-oss-process=image/quality,q_90
2. 分析url地址在哪里
通过搜索功能 <开发者工具> 166052717362315191169
https://www.dongmanmanhua.cn/BOY/moutianchengweimoshen/116-%E7%AC%AC43%E7%AB%A0-%E5%A2%9E%E5%8A%A0%E6%88%98%E6%96%97%E5%8A%9B%E5%90%A73/viewer?title_no=1519&episode_no=116
F12打开开发者工具, 进行刷新网页
点击Img
通过对比分析请求url地址变化 —> 漫画内容都是来于章节链接里面
二. 代码实现步骤过程
1. 发送请求 ---> 对于目录页面发送请求
2. 获取数据 ---> 服务器返回响应数据 <网页源代码数据>
3. 解析数据 ---> 提取想要章节链接 / 漫画名字 / 章节名字
4. 发送请求 ---> 对于章节链接发送请求
5. 获取数据 ---> 服务器返回响应数据 <网页源代码数据>
6. 解析数据 ---> 提取想要图片链接
7. 保存数据 ---> 保存到本地
不知不觉都四千多张图了,大家别一窝蜂去爬了,等下网站崩了就不好了~
发送请求
def 自定义函数关键字
get_response: 自定义函数名字
模拟浏览器对于url地址发送请求
param html_url: 自定义形式参数
return: 响应对象
def get_response(html_url): # 请求头 headers 模拟浏览器 ---> 字典数据类型, 构建完整键值对 <伪装请求头可以复制粘贴> headers = { # referer 防盗链 告诉服务器请求url地址 是从哪里跳转过来 'referer': 'https://www.dongmanmanhua.cn/', # User-Agent 浏览器基本身份信息 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36' } # 通过数据请求模块 去发送请求 response = requests.get(url=html_url, headers=headers) # return 返回 ---> 在代码里面 调用 get_response 函数 这个函数, 会给我们返回 response 这个数据 return response
获取章节链接 / 漫画名字 / 章节名字
def get_info(html_url): # 调用发送请求函数 html_data = get_response(html_url).text # re正则提取数据 name = re.findall("title_title: '(.*?)',", html_data)[0] # 提取漫画名字 chapter_url_list = re.findall('data-sc-name="PC_detail-page_related-title-list-item".*?href="(.*?)"', html_data, re.S) title_list = re.findall('<span class="subj"><span>(.*?)</span></span>', html_data) return name, chapter_url_list, title_list
获取漫画url地址
def get_img_url(chapter_url): # 调用发送请求函数 chapter_data = get_response(chapter_url).text # re获取所有漫画图片内容 img_url_list = re.findall('alt="image" class="_images _centerImg" data-url="(.*?)"', chapter_data) # 403 Forbidden 没有访问权限 ---> 通过代码得到数据 请求头里面加防盗链 return img_url_list
保存数据
def save(name, title, img_url): """ :param name: 漫画名 :param title: 图片名 :param img_url: 图片链接 :return: """ # 自动创建文件夹 file = f'img\\{name}\\' # 如果没有这个文件夹的话 if not os.path.exists(file): # 自动创建文件夹 os.makedirs(file) # 对于图片链接发送请求 获取二进制数据 img_content = get_response(img_url).content # file + title 保存地方以及保存文件名 mode 保存方式 with open(file + title, mode='wb') as f: # 写入数据 f.write(img_content) print(name, title)
主函数
整合上面所有内容
def main(page): """ 完整源码及视频讲解再这个群 279199867 自取即可 :param page: :return: """ # 目录页面 link = f'https://www.dongmanmanhua.cn/BOY/moutianchengweimoshen/list?title_no=1519&page={page}' # 调用获取章节链接 / 漫画名字 / 章节名字 函数 name, chapter_url_list, title_list = get_info(link) # for循环遍历 提取数据 for chapter_url, chapter_title in zip(chapter_url_list, title_list): # 字符串拼接 chapter_url = 'https:' + chapter_url # 获取漫画内容 img_url_list = get_img_url(chapter_url) # for循环遍历 提取数据 num = 1 for img_url in img_url_list: title = chapter_title + str(num) + '.jpg' # 调用保存数据函数 save(name, title, img_url) # 每次循环 +1 num += 1
函数入口, 当你代码被当作模块调用的时候, 下面的代码不执行。
if __name__ == '__main__': for page in range(12, 0, -1): main(page)
好了,今天的分享就到这喽,完整源码及视频讲解下方名片自取即可~
最后分享一套Python教程:Python实战100例
希望对你有所帮助哈~
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:Python丨听说这个地方的漫画不错,只用40行代码,给它全部爬下来 - Python技术站