目標網站:妹子圖網
環境:Python3.x
相關第三方模塊:requests、beautifulsoup4
Re:各位在測試時只需要將代碼裡的變量 path 指定為你當前系統要保存的路徑,使用 python xxx.py 或IDE運行即可。
完整源碼如下:
# -*- coding: utf-8 -*-import requestsfrom bs4 import BeautifulSoupimport os all_url = 'https://www.mzitu.com' # http請求頭Hostreferer = { 'User-Agent': 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)', 'Referer': 'http://www.mzitu.com'}# 此請求頭Referer破解盜圖鏈接Picreferer = { 'User-Agent': 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)', 'Referer': 'http://i.meizitu.net'} # 對mzitu主頁all_url發起請求,將返回的HTML數據保存,便於解析start_html = requests.get(all_url, headers=Hostreferer) # Linux保存地址# path = '/home/Nick/Desktop/mzitu/' # Windows保存地址path = 'E:/mzitu/' # 獲取最大頁數soup = BeautifulSoup(start_html.text, "html.parser")page = soup.find_all('a', class_='page-numbers')max_page = page[-2].text # same_url = 'http://www.mzitu.com/page/' # 主頁默認最新圖片# 獲取每一類MM的網址same_url = 'https://www.mzitu.com/mm/page/' # 也可以指定《qingchun MM系列》 for n in range(1, int(max_page) + 1): # 拼接當前類MM的所有url ul = same_url + str(n) # 分別對當前類每一頁第一層url發起請求 start_html = requests.get(ul, headers=Hostreferer) # 提取所有MM的標題 soup = BeautifulSoup(start_html.text, "html.parser") all_a = soup.find('div', class_='postlist').find_all('a', target='_blank') # 遍歷所有MM的標題 for a in all_a: # 提取標題文本,作為文件夾名稱 title = a.get_text() if(title != ''): print("準備扒取:" + title) # windows不能創建帶?的目錄,添加判斷邏輯 if(os.path.exists(path + title.strip().replace('?', ''))): # print('目錄已存在') flag = 1 else: os.makedirs(path + title.strip().replace('?', '')) flag = 0 # 切換到上一步創建的目錄 os.chdir(path + title.strip().replace('?', '')) # 提取第一層每一個MM的url,併發起請求 href = a['href'] html = requests.get(href, headers=Hostreferer) mess = BeautifulSoup(html.text, "html.parser") # 獲取第二層最大頁數 pic_max = mess.find_all('span') pic_max = pic_max[9].text if(flag == 1 and len(os.listdir(path + title.strip().replace('?', ''))) >= int(pic_max)): print('已經保存完畢,跳過') continue # 遍歷第二層每張圖片的url for num in range(1, int(pic_max) + 1): # 拼接每張圖片的url pic = href + '/' + str(num) # 發起請求 html = requests.get(pic, headers=Hostreferer) mess = BeautifulSoup(html.text, "html.parser") pic_url = mess.find('img', alt=title) print(pic_url['src']) html = requests.get(pic_url['src'], headers=Picreferer) # 提取圖片名字 file_name = pic_url['src'].split(r'/')[-1] # 保存圖片 f = open(file_name, 'wb') f.write(html.content) f.close() print('完成') print('第', n, '頁完成')
扒圖步驟分析:(送給有興趣的朋友)
1、獲取網頁源碼
打開mzitu網址,用瀏覽器的F12可以看到網頁的請求過程及源碼
該步驟代碼如下:
#coding=utf-8 import requests url = 'http://www.mzitu.com' #設置headers,網站會根據這個判斷你的瀏覽器及操作系統,很多網站沒有此信息將拒絕你訪問header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 UBrowser/6.1.2107.204 Safari/537.36'} #用get方法打開url併發送headershtml = requests.get(url,headers = header) #打印結果 .text是打印出文本信息即源碼print(html.text)
返回的響應,如果沒問題的話結果和下面類似,這些就是網頁的源碼了。
...... $("#index_banner_load").find("div").appendTo("#index_banner"); $("#index_banner").css("height", 90); $("#index_banner_load").remove();});
2、提取所需信息
- 將獲取的源碼轉換為BeautifulSoup對象
- 使用find搜索需要的數據,保存到容器中
該步驟代碼如下:
#coding=utf-8 import requestsfrom bs4 import BeautifulSoup url = 'http://www.mzitu.com'header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 UBrowser/6.1.2107.204 Safari/537.36'} html = requests.get(url,headers = header) #使用自帶的html.parser解析,速度慢但通用soup = BeautifulSoup(html.text,'html.parser') #實際上是第一個class = 'postlist'的div裡的所有a 標籤是我們要找的信息all_a = soup.find('div',class_='postlist').find_all('a',target='_blank') for a in all_a: title = a.get_text() #提取文本 print(title)
如下就找到了當頁所有套圖的標題:
注意:BeautifulSoup()返回的類型是 find()返回的類型是find_all()返回的類型是不能再進項find/find_all操作
3、進入第二層頁面,進行下載操作
點進一個套圖之後,發現他是每個頁面顯示一個圖片,這時我們需要知道他的總頁數,比如:http://www.mzitu.com/26685是某個套圖的第一頁,後面的頁數都是再後面跟/和數字http://www.mzitu.com/26685/2 (第二頁),那麼很簡單了,我們只需要找到他一共多少頁,然後用循環組成頁數就OK了。
![爬蟲福利 之 妹子圖網MM批量下載](http://p2.ttnews.xyz/loading.gif)
該步驟代碼如下:
#coding=utf-8 import requestsfrom bs4 import BeautifulSoup url = 'http://www.mzitu.com/26685'header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 UBrowser/6.1.2107.204 Safari/537.36'} html = requests.get(url,headers = header)soup = BeautifulSoup(html.text,'html.parser') #最大頁數在span標籤中的第10個pic_max = soup.find_all('span')[10].textprint(pic_max) #輸出每個圖片頁面的地址for i in range(1,int(pic_max) + 1): href = url+'/'+str(i) print(href)
那麼我們接下來就是進行尋找圖片地址,保存下來;右鍵MM圖片,點擊檢查可以發現如圖:
![爬蟲福利 之 妹子圖網MM批量下載](http://p2.ttnews.xyz/loading.gif)
![xxxxxxxxxxxxxxxxxxxxxxxxx]()
如圖所示,上面就是我們MM圖片的具體地址了,保存它即可。
該步驟代碼如下:
#coding=utf-8 import requestsfrom bs4 import BeautifulSoup url = 'http://www.mzitu.com/26685'header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 UBrowser/6.1.2107.204 Safari/537.36'} html = requests.get(url,headers = header)soup = BeautifulSoup(html.text,'html.parser') #最大頁數在span標籤中的第10個pic_max = soup.find_all('span')[10].text #找標題title = soup.find('h2',class_='main-title').text #輸出每個圖片頁面的地址for i in range(1,int(pic_max) + 1): href = url+'/'+str(i) html = requests.get(href,headers = header) mess = BeautifulSoup(html.text,"html.parser") #圖片地址在img標籤alt屬性和標題一樣的地方 pic_url = mess.find('img',alt = title) html = requests.get(pic_url['src'],headers = header) #獲取圖片的名字方便命名 file_name = pic_url['src'].split(r'/')[-1] #圖片不是文本文件,以二進制格式寫入,所以是html.content f = open(file_name,'wb') f.write(html.content) f.close()
完善後的代碼已打包成軟件,獲取資料關注微信公眾號python社區營
閱讀更多 呆萌胖頭魚 的文章