Python 爬虫入门之爬取妹子图

来源：李英杰链接：

https://segmentfault.com/a/1190000015798452

听说你写代码没动力？本文就给你动力，爬取妹子图。如果这也没动力那就没救了。

GitHub 地址:

https://github.com/injetlee/Python/blob/master/%E7%88%AC%E8%99%AB%E9%9B%86%E5%90%88/meizitu.py

爬虫成果

Python 爬虫入门之爬取妹子图

当你运行代码后,文件夹就会越来越多，如果爬完的话会有2000多个文件夹，20000多张图片。不过会很耗时间，可以在最后的代码设置爬取页码范围。

本文目标

1. 熟悉 Requests 库，Beautiful Soup 库

2. 熟悉多线程爬取

3. 送福利，妹子图

网站结构

我们从 http://meizitu.com/a/more_1.html 这个链接进去，界面如图一所示

图一

Python 爬虫入门之爬取妹子图

可以看到是一组一组的套图，点击任何一组图片会进入到详情界面，如图二所示

图二

Python 爬虫入门之爬取妹子图

可以看到图片是依次排开的，一般会有十张左右的图片。

实现思路

看了界面的结构，那么我们的思路就有了。

1. 构造 url 链接，去请求图一所示的套图列表界面，拿到每一个页面中的套图列表。

2. 分别进入每个套图中去，下载相应的图片。

代码说明

1. 下载界面的函数,利用 Requests 很方便实现。

def download_page(url):
   '''
   用于下载页面
   '''
   headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0"}
   r = requests.get(url, headers=headers)
   r.encoding = 'gb2312'
   return r.text

2. 获取图一所示的所有套图列表,函数中 link 表示套图的链接，text表示套图的名字

def get_pic_list(html):
   '''
   获取每个页面的套图列表,之后循环调用get_pic函数获取图片
   '''
   soup = BeautifulSoup(html, 'html.parser')
   pic_list = soup.find_all('li', class_='wp-item')
   for i in pic_list:
       a_tag = i.find('h3', class_='tit').find('a')
       link = a_tag.get('href')  # 套图链接
       text = a_tag.get_text()   # 套图名字
       get_pic(link, text)

3. 传入上一步中获取到的套图链接及套图名字,获取每组套图里面的图片,并保存,我在代码中注释了。

def get_pic(link, text):
   '''
   获取当前页面的图片,并保存
   '''
   html = download_page(link)  # 下载界面
   soup = BeautifulSoup(html, 'html.parser')
   pic_list = soup.find('div', id="picture").find_all('img')  # 找到界面所有图片
   headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0"}
   create_dir('pic/{}'.format(text))
   for i in pic_list:
       pic_link = i.get('src')  # 拿到图片的具体 url
       r = requests.get(pic_link, headers=headers)  # 下载图片，之后保存到文件
       with open('pic/{}/{}'.format(text, pic_link.split('/')[-1]), 'wb') as f           f.write(r.content)
           time.sleep(1)

完整代码

完整代码如下，包括了创建文件夹，利用多线程爬取，我设置的是5个线程，可以根据自己机器自己来设置一下。

import requests
import os
import time
import threading
from bs4 import BeautifulSoup

def download_page(url):
   '''
   用于下载页面
   '''
   headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0"}
   r = requests.get(url, headers=headers)
   r.encoding = 'gb2312'
   return r.text

def get_pic_list(html):
   '''
   获取每个页面的套图列表,之后循环调用get_pic函数获取图片
   '''
   soup = BeautifulSoup(html, 'html.parser')
   pic_list = soup.find_all('li', class_='wp-item')
   for i in pic_list:
       a_tag = i.find('h3', class_='tit').find('a')
       link = a_tag.get('href')
       text = a_tag.get_text()
       get_pic(link, text)

def get_pic(link, text):
   '''
   获取当前页面的图片,并保存
   '''
   html = download_page(link)  # 下载界面
   soup = BeautifulSoup(html, 'html.parser')
   pic_list = soup.find('div', id="picture").find_all('img')  # 找到界面所有图片
   headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0"}
   create_dir('pic/{}'.format(text))
   for i in pic_list:
       pic_link = i.get('src')  # 拿到图片的具体 url
       r = requests.get(pic_link, headers=headers)  # 下载图片，之后保存到文件
       with with open('pic/{}/{}'.format(text, pic_link.split('/')[-1]), 'wb') as f:
           f.write(r.content)
           time.sleep(1)   # 休息一下，不要给网站太大压力，避免被封

def create_dir(name):
   if not os.path.exists(name):
       os.makedirs(name)

def execute(url):
   page_html = download_page(url)
   get_pic_list(page_html)

def main():
   create_dir('pic')
   queue = [i for i in range(1, 72)]   # 构造 url 链接 页码。
   threads = []
   while len(queue) > 0:
       for thread in threads:
           if not thread.is_alive():
               threads.remove(thread)
       while len(threads) < 5 and len(queue) > 0:   # 最大线程数设置为 5
           cur_page = queue.pop(0)
           url = 'http://meizitu.com/a/more_{}.html'.format(cur_page)
           thread = threading.Thread(target=execute, args=(url,))
           thread.setDaemon(True)
           thread.start()
           print('{}正在下载{}页'.format(threading.current_thread().name, cur_page))
           threads.append(thread)

if __name__ == '__main__':
   main()