ACG图片站\python爬虫\LAMP环境
最近突然对web很感兴趣,碰巧看到阿里云服务器学生价十块钱一个月,果断买了一个自己搭建了一个网站。
网址 这里
LAMP环境就搭建了好久,linux+apache2+mysql+php,都是开源的软件,而且都很好用。
每个软件都可以在网上找到博文,一路百度下来,搞了一晚上终于搭好了。
之后自己写了一个提交代码查看代码的html网页,很简单。
看了php,下载了一个图片瀑布流的代码,改来改去,终于是能用了。
最后这个周末把之前的python代码改了改,添加了数据库相关的语句。
爬的是www.pixiv.net,所谓的p站。这里有一个新问题是referer,p站需要referer才能访问图片,具体没看太懂,
用了一种新的方法下载图片。
req_header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; rv:28.0) Gecko/20100101 Firefox/28.0', 'Referer':referer } req = urllib2.Request(PicUrl[0],None,req_header) f = urllib2.urlopen(req,None,5) with open(path,'wb') as code: code.write(f.read())
所有的代码,等会用github了放git里吧,,,这次深感版本控制的必要性,以前改好的bug,改来改去又不行了。还找不到之前的代码。
目前的坑:
1)中文日文显示问题,数据库apache都设置成utf-8了,php中文还是显示问号,而且找不到cursors.py。
2)图片信息待丰富,作者和名字没有分开,得分没有抓取,如果想做的更好还要把作者写的简介抓下来。需要创建页面放置这些信息。
3)使用cookie登陆,目前是在未登录状态下抓图,无法获取原图。