【Python】下载所有 XKCD 漫画

博客和其他经常更新的网站通常有一个首页，其中有最新的帖子，以及一个“前 一篇”按钮，将你带到以前的帖子。然后那个帖子也有一个“前一篇”按钮，以此 类推。这创建了一条线索，从最近的页面，直到该网站的第一个帖子。如果你希望 拷贝该网站的内容，在离线的时候阅读，可以手工导航至每个页面并保存。但这是 很无聊的工作，所以让我们写一个程序来做这件事。 XKCD 是一个流行的极客漫画网站，它符合这个结构（参见图 11-6）。首页 http://xkcd.com/有一个“Prev”按钮，让用户导航到前面的漫画。手工下载每张漫 画要花较长的时间，但你可以写一个脚本，在几分钟内完成这件事。 下面是程序要做的事：

• 加载主页；

• 保存该页的漫画图片；

• 转入前一张漫画的链接；

• 重复直到第一张漫画。

这意味着代码需要做下列事情：

• 利用 requests 模块下载页面。

• 利用 Beautiful Soup 找到页面中漫画图像的 URL。

• 利用 iter_content()下载漫画图像，并保存到硬盘。

• 找到前一张漫画的链接 URL，然后重复。

打开一个新的文件编辑器窗口，将它保存为 downloadXkcd.py。

设计程序

打开一个浏览器的开发者工具，检查该页面上的元素，你会发现下面的内容：

• 漫画图像文件的 URL，由一个<img>元素的 href 属性给出。

• <img>元素在<div id="comic">元素之内。

• Prev 按钮有一个 rel HTML 属性，值是 prev。

• 第一张漫画的Prev按钮链接到 http://xkcd.com/# URL，表明没有前一个页面了。
让你的代码看起来像这样：

#! python3
# downloadXkcd.py - Downloads every single XKCD comic.

import requests, os, bs4

url = 'https://xkcd.com' # starting url
os.makedirs('xkcd', exist_ok=True) # store comics in ./xkcd
while not url.endswith('#'):
# TODO: Download the page.

# TODO: Find the URL of the comic image.

# TODO: Download the image.

# TODO: Save the image to ./xkcd

# TODO: Get the Prev button's url.

print('Done')

 

你会有一个 url 变量，开始的值是'http://xkcd.com'，然后反复更新（在一个 for 循环中），变成当前页面的 Prev 链接的 URL。在循环的每一步，你将下载 URL 上 的漫画。如果 URL 以'#'结束，你就知道需要结束循环。 将图像文件下载到当前目录的一个名为 xkcd 的文件夹中。调用 os.makedirs() 函数。确保这个文件夹存在，并且关键字参数 exist_ok=True 在该文件夹已经存在时， 防止该函数抛出异常。剩下的代码只是注释，列出了剩下程序的大纲。

下载网页

我们来实现下载网页的代码。让你的代码看起来像这样：

#! python3
# downloadXkcd.py - Downloads every single XKCD comic.

import requests, os, bs4

url = 'https://xkcd.com' # starting url
os.makedirs('xkcd', exist_ok=True) # store comics in ./xkcd
while not url.endswith('#'):
# Download the page.
print('Downloading page %s...' % url)
res = requests.get(url)
res.raise_for_status()

soup = bs4.BeautifulSoup(res.text)

# TODO: Find the URL of the comic image.

# TODO: Download the image.

# TODO: Save the image to ./xkcd

# TODO: Get the Prev button's url.

print('Done')

 

首先，打印 url，这样用户就知道程序将要下载哪个 URL。然后利用 requests 模块的 request.get()函数下载它。像以往一样，马上调用 Response对象的 raise_for_status()方法， 如果下载发生问题，就抛出异常，并终止程序。否则，利用下载页面的文本创建一 个 BeautifulSoup 对象。

寻找和下载漫画图像

让你的代码看起来像这样：

#! python3
# downloadXkcd.py - Downloads every single XKCD comic.

import requests, os, bs4

--snip--

# Find the URL of the comic image.
comicElem = soup.select('#comic img')
if comicElem == []:
print('Could not find comic image.')
else:
comicUrl = 'https:' + comicElem[0].get('src')
# Download the image.
print('Downloading iamge %s...' % (comicUrl))
res = requests.get(comicUrl)
res.raise_for_status()

# TODO: Save the image to ./xkcd

# TODO: Get the Prev button's url.

print('Done')

 

用开发者工具检查 XKCD 主页后，你知道漫画图像的<img>元素是在一个<div>元 素中，它带有的 id 属性设置为 comic。所以选择器'#comic img'将从 BeautifulSoup 对象中选出正确的<img>元素。 有一些 XKCD 页面有特殊的内容，不是一个简单的图像文件。这没问题，跳过它们 就好了。如果选择器没有找到任何元素，那么 soup.select('#comic img')将返回一个空的列 表。出现这种情况时，程序将打印一条错误消息，不下载图像，继续执行。 否则，选择器将返回一个列表，包含一个<img>元素。可以从这个<img>元素中 取得 src 属性，将它传递给 requests.get()，下载这个漫画的图像文件。

保存图像，找到前一张漫画

让你的代码看起来像这样：

#! python3
# downloadXkcd.py - Downloads every single XKCD comic.

import requests, os, bs4

--snip--

# Save the image to ./xkcd
imageFile = open(os.path.join('xkcd', os.path.basename(comicUrl)), 'wb')
for chunk in res.iter_content(100000):
imageFile.write(chunk)

# Get the Prev button's url.
prevLink = soup.select('a[rel="prev"]')[0]
url = 'http://xkcd.com' + prevLink.get('href')

print('Done')

 

这时，漫画的图像文件保存在变量 res 中。你需要将图像数据写入硬盘的文件。 你需要为本地图像文件准备一个文件名，传递给 open()。comicUrl 的值类似 'http://imgs.xkcd.com/comics/heartbleed_explanation.png'。你可能注意到，它看起来很 像文件路径。实际上，调用 os.path.basename()时传入 comicUrl，它只返回 URL 的 最后部分：'heartbleed_explanation.png'。你可以用它作为文件名，将图像保存到硬 盘。用 os.path.join()连接这个名称和 xkcd 文件夹的名称，这样程序就会在 Windows 下使用倒斜杠（\），在 OS X 和 Linux 下使用斜杠（/）。既然你最后得到了文件名， 就可以调用 open()，用'wb'模式打开一个新文件。 回忆一下本章早些时候，保存利用 Requests 下载的文件时，你需要循环处理 iter_content()方法的返回值。for 循环中的代码将一段图像数据写入文件（每次最多 10 万字节），然后关闭该文件。图像现在保存到硬盘中。 然后，选择器'a[rel="prev"]'识别出rel 属性设置为 prev 的<a>元素，利用这个<a> 元素的 href 属性，取得前一张漫画的 URL，将它保存在 url 中。然后 while 循环针 对这张漫画，再次开始整个下载过程。 这个程序的输出看起来像这样：

Downloading page http://xkcd.com...
Downloading image http://imgs.xkcd.com/comics/phone_alarm.png...
Downloading page http://xkcd.com/1358/...
Downloading image http://imgs.xkcd.com/comics/nro.png...
Downloading page http://xkcd.com/1357/...
Downloading image http://imgs.xkcd.com/comics/free_speech.png...
Downloading page http://xkcd.com/1356/...
Downloading image http://imgs.xkcd.com/comics/orbital_mechanics.png...
Downloading page http://xkcd.com/1355/...
Downloading image http://imgs.xkcd.com/comics/airplane_message.png...
Downloading page http://xkcd.com/1354/...
Downloading image http://imgs.xkcd.com/comics/heartbleed_explanation.png...
--snip--
这个项目是一个很好的例子，说明程序可以自动顺着链接，从网络上抓取大量 的数据。你可以从 Beautiful Soup 的文档了解它的更多功能：https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/#

类似程序的想法

下载页面并追踪链接，是许多网络爬虫程序的基础。类似的程序也可以做下面的事情：
• 顺着网站的所有链接，备份整个网站。

• 拷贝一个论坛的所有信息。

• 复制一个在线商店中所有产品的目录。

requests 和 BeautifulSoup 模块很了不起，只要你能弄清楚需要传递给 requests.get() 的 URL。但是，有时候这并不容易找到。或者，你希望编程浏览的网站可能要求你先 登录。selenium 模块将让你的程序具有执行这种复杂任务的能力。

完整代码

#! python3
# downloadXkcd.py - Downloads every single XKCD comic.

import requests, os, bs4

url = 'https://xkcd.com' # starting url
os.makedirs('xkcd', exist_ok=True) # store comics in ./xkcd
while not url.endswith('#'):
# Download the page.
print('Downloading page %s...' % url)
res = requests.get(url)
res.raise_for_status()

soup = bs4.BeautifulSoup(res.text)

# Find the URL of the comic image.
comicElem = soup.select('#comic img')
if comicElem == []:
print('Could not find comic image.')
else:
comicUrl = 'https:' + comicElem[0].get('src')
# Download the image.
print('Downloading iamge %s...' % (comicUrl))
res = requests.get(comicUrl)
res.raise_for_status()

# Save the image to ./xkcd
imageFile = open(os.path.join('xkcd', os.path.basename(comicUrl)), 'wb')
for chunk in res.iter_content(100000):
imageFile.write(chunk)

# Get the Prev button's url.
prevLink = soup.select('a[rel="prev"]')[0]
url = 'http://xkcd.com' + prevLink.get('href')

print('Done')