python3网络爬虫（2.1）：爬取堆糖美女

额，明明记得昨晚存了草稿箱，一觉醒来没了，那就简写点（其实是具体怎么解释我也不太懂/xk，纯属个人理解，有错误还望指正）

环境：

　　版本：python3

　　IDE：pycharm2017.3.3

　　浏览器：火狐（浏览器建议火狐，Chrome）

　　爬取网站：堆糖

选堆糖是因为比较好爬取（除了img文件就是xhr文件），别网站的反爬取对我这个水平来说都太心机了

安装配置什么的之前都写过，这里就不提了，直接开始

1.先来浏览一下这个网站，打开堆糖官网，搜索校花，他就会给我们推荐一些图片，当我们滚动到页面底部时，他又会加载新的一些图片，再滚到底，再加载，这样加载了五次，才把第一页的所有图片加载出来（这里体现了这个网站的防爬，不过也好破）

我们的目标就是把这19页，每页的图片都爬下来

 

2.重新搜索一下关键字，我们先不往下滚动，右键查看元素，选择网络，可以看到目前这一页中加载的图片，

3.然后我们把页面往下滚动，让他继续加载，同时我们观察者网络这个窗口，所有请求的图片也都显示在这里，这时发现xhr类型的文件，这样的文件一共有五个，也就是同一页面中每次滚动到页面底部，新加载图片时就会出现这样的文件

 

4.主要关注一下这个文件，把窗口切换到xhr类型下，双击打开其中的一个

5.这个请求网址使我们需要的，复制到地址栏中

6.这里打开如果是所有代码堆在一起的那样，就需要在线解析一下，解析工具 将地址复制进去进行校验

 

　　而我这里的火狐浏览器打开直接就是转换好的

　　其中的path就是我们需要的

而这个limit就是限制我们爬取数量的参数，后面需要修改这个参数来爬取全部图片

 

7.对请求地址进行分析

https://www.duitang.com/napi/blog/list/by_search/?kw=校花&type=feed&include_fields=top_comments,is_root,source_link,item,buyable,root_id,status,like_count,sender,album&_type=&start=24&_=1520036797589

　　将没用的删掉

https://www.duitang.com/napi/blog/list/by_search/?kw=校花&start=24

　　修改参数start（从0开始爬取），添加参数limit（上限），格式都是&开头

https://www.duitang.com/napi/blog/list/by_search/?kw=校花&start=0&limit=1000

以上就是爬取的分析过程，代码如下

 

import requests
import threading
import urllib.parse

#设置最大线程 开启10个线程就锁住
thread_lock = threading.BoundedSemaphore(value=10)


'https://www.duitang.com/napi/blog/list/by_search/?kw=%E6%A0%A1%E8%8A%B1&start=0&limt=1000'
#通过url 获取数据
#单个页面
def get_page(url):
    #requests.get 自带了json.loads
    page = requests.get(url)
    #提取需要的content
    page = page.content
    # 将bytes转成 字符串
    page = page.decode('utf-8')
    return page

#label为关键字
#取所有页面pages的链接
def pages_from_duitang(label):
    pages = []
    url = 'https://www.duitang.com/napi/blog/list/by_search/?kw={}&start={}&limt=1000'
    #将中文转成url编码
    label = urllib.parse.quote(label)
    for index in range(0, 3600, 50):
        #将这两个变量替换占位符{}
        u = url.format(label,index)
        page = get_page(u)
        pages.append(page)
    return pages


# print(get_page('https://www.duitang.com/napi/blog/list/by_search/?kw=%E6%A0%A1%E8%8A%B1&start=0&limt=1000'))
#page是get_page()返回的页面信息
#startpart和endpart是边界条件，两个给定的字符串
# 单个页面的对象，startpart 所要匹配字符1，匹配的字符2
def findall_in_page(page,startpart,endpart):
    all_strings = []
    end = 0
    # 从end这个字符串开始找，找startpart
    # .find()！=-1说明找到该字符串,返回的是该字符串的起始下标
    while page.find(startpart,end) != -1:
        # 需要的图片的链接的起始位置start
        start = page.find(startpart, end)+len(startpart)
        # 从起始字符串开始找结束字符串
        end = page.find(endpart,start)
        #切片 取两个所要匹配字符 之间的部分也就是图片url
        string = page[start:end]
        #存入列表
        all_strings.append(string)
    return all_strings

# "path": "https://b-ssl.duitang.com/uploads/item/201708/20/20170820215827_fa483.jpeg"
def pic_urls_from_pages(pages):
    pic_urls = []
    for page in pages:
        # 处理一个页面
        urls = findall_in_page(page,'path":"','"')
        pic_urls.extend(urls) # 合并列表
    return pic_urls

def download_pics(url, n):
    r = requests.get(url)
    path = '../pics' + str(n) + '.jpg'
    with open(path,'wb') as f:
        f.write(r.content)
    #下载完了，解锁
    thread_lock.release()

def main(label):
     pages = pages_from_duitang(label)
     pic_urls = pic_urls_from_pages(pages)

     n = 0
     for url in pic_urls:
        n += 1
        print('正在下载第{}张图片'.format(n))

        #上锁
        thread_lock.acquire()
        #下载 这个方法丢进线程池
        t = threading.Thread(target=download_pics,args=(url,n))
        t.start()


main('校花')

 

 

 

运行结果

 

 

不同的网站防爬不一样，但思路应该都差不多