python爬虫爬高清图片
本文代码来源csdn一位叫coso度的大佬
版权声明：本文为CSDN博主「COS0度」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/cos0du/article/details/116273972
前几天突然间就想着去学习爬虫，然后就看了看python，开始搞这个。然后开始百度，找到一位大佬发的东西，爬高清图片。但是大佬的代码弄到我这里，就会报错，就是爬完第二张图片就开始报错，下边是大佬的代码
import re import requests import os from bs4 import BeautifulSoup def getHtml(url): #固定格式，获取html内容 headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36' } #模拟用户操作 try: r = requests.get(url, headers=headers) r.raise_for_status() r.encoding = r.apparent_encoding return r.text except: print('网络状态错误') def getUrlList(url): # 获取图片链接 url_list = [] #存储每张图片的url，用于后续内容爬取 demo = getHtml(url) soup = BeautifulSoup(demo,'html.parser') sp = soup.find_all('div', class_="list") #class='list'在全文唯一，因此作为锚，获取唯一的div标签；注意，这里的网页源代码是class，但是python为了和class（类）做区分，在最后面添加了_ nls = re.findall(r'a href="(.*?)"', str(sp)) #用正则表达式提取链接 for i in nls: if 'https' in i: #因所有无效链接中均含有'https'字符串，因此直接剔除无效链接（对应第3条的分析） continue url_list.append('http://www.netbian.com' + i) #在获取的链接中添加前缀，形成完整的有效链接 return url_list def fillPic(url,page): pic_url = getUrlList(url) #调用函数，获取当前页的所有图片详情页链接 path = './美女' # 保存路径 for p in range(len(pic_url)): pic = getHtml(pic_url[p]) soup = BeautifulSoup(pic, 'html.parser') psoup = soup.find('div', class_="pic") #class_="pic"作为锚，获取唯一div标签；注意，这里的网页源代码是class，但是python为了和class（类）做区分，在最后面添加了_ picUrl = re.findall(r'src="(.*?)"', str(psoup))[0] #利用正则表达式获取详情图片链接，因为这里返回的是列表形式，所以取第一个元素（只有一个元素，就不用遍历的方式了） pic = requests.get(picUrl).content #打开图片链接，并以二进制形式返回（图片，声音，视频等要以二进制形式打开） image_name ='美女' + '第{}页'.format(page) + str(p+1) + '.jpg' #给图片预定名字 image_path = path + '/' + image_name #定义图片保存的地址 with open(image_path, 'wb') as f: #保存图片 f.write(pic) print(image_name, '下载完毕！！！') def main(): n = input('请输入要爬取的页数：') url = 'http://www.netbian.com/meinv/' # 资源的首页，可根据自己的需求查看不同分类，自定义改变目录，爬取相应资源 if not os.path.exists('./美女'): # 如果不存在，创建文件目录 os.mkdir('./美女/') page = 1 fillPic(url, page) # 爬取第一页，因为第1页和后续页的链接的区别，单独处理第一页的爬取 if int(n) >= 2: #爬取第2页之后的资源 ls = list(range(2, 1 + int(n))) url = 'http://www.netbian.com/meinv/' for i in ls: #用遍历的方法对输入的需求爬取的页面做分别爬取处理 page = str(i) url_page = 'http://www.netbian.com/meinv/' url_page += 'index_' + page + '.htm' #获取第2页后的每页的详情链接 fillPic(url_page, page) #调用fillPic()函数 main()
代码确实很优秀，但是我搬过来之后爬取第二张之后就开始报错，然后就开始了自己找错之旅，吃别人现成的我还吃不好。
下边是报错的内容，然后我就开始了百度之旅，然后实在是没找到啥，就开始去debug，
我发现呢，他这个pic值是None，没获取到呗，然后往上边看，发现呢，pic_url多出来一个很奇怪的网址，就是02这个一块，他是两个网址拼接到一起了
然后自己就狗了一波，直接把这个移除了用了remove函数，在 def filePic(url,page):这个模块儿，我在第一句下边加了一个下边又加了一个pic_url.remove ='htp://netbian.comhttp://pic.netbian.com/'然后就可以正常使用了，其实事儿这里就差不多结束了，但是我还想知道为什么会出现这个，然后就分析：图片又是从上边来的，然后就往def getUrlList(url) 这个模块看我就把这一整块儿代码扒下来，跑一次，把他获取的网址打印出来看看呗
这是我扒下来的代码
import re import requests import os from bs4 import BeautifulSoup url ='http://www.netbian.com' def getHtml(url): #固定格式，获取html内容 headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36' } #模拟用户操作 try: r = requests.get(url, headers=headers) r.raise_for_status() r.encoding = r.apparent_encoding return r.text except: print('网络状态错误') def main(url): # 获取图片链接 url_list = [] #存储每张图片的url，用于后续内容爬取 demo = getHtml(url) soup = BeautifulSoup(demo,'html.parser') sp = soup.find_all('div', class_="list") #class='list'在全文唯一，因此作为锚，获取唯一的div标签；注意，这里的网页源代码是class，但是python为了和class（类）做区分，在最后面添加了_ nls = re.findall(r'a href="(.*?)"', str(sp)) #用正则表达式提取链接 for i in nls: if 'https' in i: #因所有无效链接中均含有'https'字符串，因此直接剔除无效链接（对应第3条的分析） continue if 'pic' in i: continue url_list.append('http://www.netbian.com' + i) #在获取的链接中添加前缀，形成完整的有效链接 print (url_list) main(url)
让他把获取的每一个网址都打印出来，果然没看错，下边是打印出来的东西，果然，错误的网址还在
然后我就去看了看找图的那个网站，果不其然啊
过滤标签的时候没考虑清楚，这也是网址一个，在获取本来是我想要的网址的时候，出来了一点问题，下边的语句跟他一拼接就出错了。
事情至此圆满结束。然后我就在def getUrlList(url):这个模块儿下边的if 语句后又加了一个if
if 'pic' in i:
continue
然后就没毛病了，大家如果对这个感兴趣的话，可以去参考大佬的文章，网址在我这边随笔开头，本文是一个我找错误的过程，虽然错误很小，但还是花了我很长时间，接下来打算去了解一下这几个库，我把自己修改的代码（其实就加了一句话，代码全是老哥的，希望大家把代码吃透）附在本文最后，给来学习的哥们儿参考,欢迎大家跟我一起探讨。爬虫的学习。
import re import requests import os from bs4 import BeautifulSoup def getHtml(url): #固定格式，获取html内容 headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36' } #模拟用户操作 try: r = requests.get(url, headers=headers) r.raise_for_status() r.encoding = r.apparent_encoding return r.text except: print('网络状态错误') def getUrlList(url): # 获取图片链接 url_list = [] #存储每张图片的url，用于后续内容爬取 demo = getHtml(url) soup = BeautifulSoup(demo,'html.parser') sp = soup.find_all('div', class_="list") #class='list'在全文唯一，因此作为锚，获取唯一的div标签；注意，这里的网页源代码是class，但是python为了和class（类）做区分，在最后面添加了_ nls = re.findall(r'a href="(.*?)"', str(sp)) #用正则表达式提取链接 for i in nls: if 'https' in i: #因所有无效链接中均含有'https'字符串，因此直接剔除无效链接（对应第3条的分析） continue if 'pic' in i: continue url_list.append('http://www.netbian.com' + i) #在获取的链接中添加前缀，形成完整的有效链接 return url_list print (url_list) def fillPic(url,page): pic_url = getUrlList(url) #调用函数，获取当前页的所有图片详情页链接 path = './美女' # 保存路径 for p in range(len(pic_url)): pic = getHtml(pic_url[p]) soup = BeautifulSoup(pic, 'html.parser') psoup = soup.find('div', class_="pic") picUrl = re.findall(r'src="(.*?)"', str(psoup))[0] pic = requests.get(picUrl).content image_name ='美女' + '第{}页'.format(page) + str(p+1) + '.jpg' image_path = path + '/' + image_name with open(image_path, 'wb') as f: f.write(pic) print(image_name, '下载完毕！！！') def main(): n = input('请输入要爬取的页数：') url = 'http://www.netbian.com/meinv/' if not os.path.exists('./美女'): os.mkdir('./美女/') page = 1 fillPic(url, page) if int(n) >= 2: ls = list(range(2, 1 + int(n))) url = 'http://www.netbian.com/meinv/' for i in ls: page = str(i) url_page = 'http://www.netbian.com/meinv/' url_page += 'index_' + page + '.htm' fillPic(url_page, page) main()
