Python爬虫入门教程10:彼岸壁纸爬取
前言💨
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。
前文内容💨
PS:如有需要 Python学习资料
以及 解答
的小伙伴可以加点击下方链接自行获取
python免费学习资料以及群交流解答点击即可加入
基本开发环境💨
- Python 3.6
- Pycharm
- wkhtmltopdf
相关模块的使用💨
- re
- requests
- concurrent.futures
安装Python并添加到环境变量,pip安装需要的相关模块即可。
一、💥明确需求
彼岸的壁纸,在我觉得是真的好看。虽然可以免费下载,但是对于有条件的小伙伴,还是可以支持一下付费的,毕竟不贵,只需要30元就可以全站无限制下载了。
二、💥网页数据分析
一步一步点击图片进去可以发现详情页的url地址是有由 图片ID
以及 图片分辨率
组成。
再次点击,之后可以看到图片的真实地址。如果你只是想要找一张壁纸图片的话,这样保存图片之后就高清的壁纸了。
如果是要爬取图片的话,在详情页的中是有图片链接的。
所以只需要在列表页中,获取图片的 ID 就可以了,因为我们爬取的本身就是 1920*1080的分辨率,所以这个分辨率的是固定的。只要获取 图片ID然后拼接url就可以了。
这里需要注意一个问题:
每页的数据当中,是有两个我们不需要的内容。
我们所需要的数据是附带 标题的,不需要的则是没有标题,所以可以根据这个进行一个判断。
三、💥代码实现
获取网页数据
💦
def get_response(html_url):
"""获取网页数据"""
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
response = requests.get(url=html_url, headers=headers)
return response
获取每张壁纸的ID
💦
def main(html_url):
"""获取图片ID"""
response = get_response(html_url)
selector = parsel.Selector(response.text)
image_info = selector.css('.list ul li')
for link in image_info:
image_title = link.css('a::attr(title)').get()
# 进行简单的判断,如果有标题就获取ID
if image_title:
id_info = link.css('a::attr(href)').get()
# /desk/23177.htm
image_id = id_info.replace('.htm', '').split('/')[-1]
获取每张壁纸的url地址
💦
def get_image_url(image_id):
"""获取图片的真实url地址"""
page_url = f'http://www.netbian.com/desk/{image_id}-1920x1080.htm'
response = get_response(page_url)
selector = parsel.Selector(response.text)
image_url = selector.css('#endimg a::attr(href)').get()
return image_url
保存壁纸
💦
def save(image_url, title):
filename = 'images\\' + title + '.jpg'
image_content = get_response(image_url).content
with open(filename, mode='wb') as f:
f.write(image_content)
print('正在保存:', title)
当我写完代码,运行的时候发现了一个问题
图片是能保存下来,但是它乱码了,所以需要在获取网页数据的函数里面加一行代码
# 万能的转码方式
response.encoding = response.apparent_encoding
更新代码之后,标题变成了中文了,但是又出现新的问题了
每个标题后面都是带有 更新时间的,返回网页看一下源代码。
a 标签里面的 title 属性里面是带有更新时间,img标签里面的alt属性是没有更新时间的,所以我们要重新提取一下标题数据。
更改后:
def main(html_url):
"""获取图片ID"""
response = get_response(html_url)
selector = parsel.Selector(response.text)
image_info = selector.css('.list ul li')
for link in image_info:
image_title = link.css('a::attr(title)').get()
if image_title:
title = link.css('a img::attr(alt)').get()
id_info = link.css('a::attr(href)').get()
# /desk/23177.htm
image_id = id_info.replace('.htm', '').split('/')[-1]
这些壁纸还挺大的,翻页根据页码进行翻页就好了,关于多线程爬取的话,可以参考上篇的文章内容。