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()

 

好了,之后运行,我们的爬虫就会孜孜不倦的为我们下载漂亮妹子啦。

 

(完)