Python爬虫-02 request模块爬取妹子图网站
简介
#介绍：使用requests可以模拟浏览器的请求，比起之前用到的urllib，requests模块的api更加便捷（本质就是封装了urllib3） #注意：requests库发送请求将网页内容下载下来以后，并不会执行js代码，这需要我们自己分析目标站点然后发起新的request请求 #安装：pip3 install requests
在pycharm中操作：
import requests #导入模块
def run(): #声明一个run方法
print("跑码文件") #打印内容
if __name__ == "__main__": #主程序入口
run() #调用上面的run方法
显示如下结果，代表编译没有问题
跑码文件
接下来，我们开始测试requests模块是否可以使用
修改上述代码中的
import requests def run(): response = requests.get("http://www.baidu.com") print(response.text) if __name__ == "__main__": run()
运行结果（出现下图代表你运行成功了）：
<!DOCTYPE html> <!--STATUS OK--><html> <head><meta http-equiv=content-type content=text/html;charset=utf-8><meta http-equiv=X-UA-Compatible content=IE=Edge><meta content=always name=referrer><link rel=stylesheet type=text/css href=http://s1.bdstatic.com/r/www/cache/bdorz/baidu.min.css><title>ç¾åº¦ä¸ä¸ï¼ä½ å°±ç¥é</title></head> <body link=#0000cc> <div id=wrapper> <div id=head> <div class=head_wrapper> <div class=s_form> <div class=s_form_wrapper> <div id=lg> <img hidefocus=true src=//www.baidu.com/img/bd_logo1.png width=270 height=129> </div> <form id=form name=f action=//www.baidu.com/s class=fm> <input type=hidden name=bdorz_come value=1> <input type=hidden name=ie value=utf-8> <input type=hidden name=f value=8> <input type=hidden name=rsv_bp value=1> <input type=hidden name=rsv_idx value=1> <input type=hidden name=tn value=baidu><span class="bg s_ipt_wr"><input id=kw name=wd class=s_ipt value maxlength=255 autocomplete=off autofocus></span><span class="bg s_btn_wr"><input type=submit id=su value=ç¾åº¦ä¸ä¸ class="bg s_btn"></span> </form> </div> </div> <div id=u1> <a href=http://news.baidu.com name=tj_trnews class=mnav>æ°é»</a> <a href=http://www.hao123.com name=tj_trhao123 class=mnav>hao123</a> <a href=http://map.baidu.com name=tj_trmap class=mnav>å°å¾</a> <a href=http://v.baidu.com name=tj_trvideo class=mnav>è§é¢</a> <a href=http://tieba.baidu.com name=tj_trtieba class=mnav>è´´å§</a> <noscript> <a href=http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u=http%3A%2F%2Fwww.baidu.com%2f%3fbdorz_come%3d1 name=tj_login class=lb>ç»å½</a> </noscript> <script>document.write('<a href="http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u='+ encodeURIComponent(window.location.href+ (window.location.search === "" ? "?" : "&")+ "bdorz_come=1")+ '" name="tj_login" class="lb">ç»å½</a>');</script> <a href=//www.baidu.com/more/ name=tj_briicon class=bri style="display: block;">æ´å¤äº§å</a> </div> </div> </div> <div id=ftCon> <div id=ftConw> <p id=lh> <a href=http://home.baidu.com>å ³äºç¾åº¦</a> <a href=http://ir.baidu.com>About Baidu</a> </p> <p id=cp>©2017 Baidu <a href=http://www.baidu.com/duty/>使ç¨ç¾åº¦åå¿ è¯»</a> <a href=http://jianyi.baidu.com/ class=cp-feedback>æè§åé¦</a> 京ICPè¯030173å· <img src=//www.baidu.com/img/gs.gif> </p> </div> </div> </div> </body> </html>
接下来，我们实际下载一张图片试试，比如下面这张图片
import requests def run(): response = requests.get("https://timgsa.baidu.com/timg?image&quality=80&size=b9999_10000&sec=1562215040437&di=aa3fc27e7acb5ded2643b315497cfce2&imgtype=0&src=http%3A%2F%2Fimg.9ku.com%2Fgeshoutuji%2Fsingertuji%2F4%2F4779%2F4779_9.jpg") with open("Alizee.jpg","wb") as f : f.write(response.content) f.close if __name__ == "__main__": run()
运行代码之后，发现在文件夹内部生成了一个文件
打开文件之后发现，图片显示正常，说明图片爬取成功。
我们继续修改代码，因为有的服务器图片，都做了一些限制，我们可以用浏览器打开，但是使用Python代码并不能完整的下载下来。
修改代码，加入请求头
import requests def run(): # 头文件，header是字典类型 headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.5383.400 QQBrowser/10.0.1313.400" } response = requests.get(“https://timgsa.baidu.com/timg?image&quality=80&size=b9999_10000&sec=1562215040437&di=aa3fc27e7acb5ded2643b315497cfce2&imgtype=0&src=http%3A%2F%2Fimg.9ku.com%2Fgeshoutuji%2Fsingertuji%2F4%2F4779%2F4779_9.jpg”,headers=headers) with open("Alizee.jpg","wb") as f : f.write(response.content) f.close if __name__ == "__main__": run()
重点查看上述代码中 requests.get部分，添加了一个headers的实参。这样我们程序就下载下来了完整的图片。
Python爬虫页面分析
我们今天要爬的网站叫做 http://www.umei.cc/bizhitupian/meinvbizhi
当然，部分图片尺度较大，请自我屏蔽
import requests all_urls = [] # 我们拼接好的图片集和列表路径 class Spider(): # 构造函数，初始化数据使用 def __init__(self, target_url, headers): self.target_url = target_url self.headers = headers # 获取所有的想要抓取的URL def getUrls(self, start_page, page_num): global all_urls # 循环得到URL for i in range(start_page, page_num + 1): url = self.target_url % i all_urls.append(url) if __name__ == "__main__": headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36', 'HOST': 'www.umei.cc', } target_url = "http://www.umei.cc/bizhitupian/meinvbizhi/%d.htm" # 图片集和列表规则 spider = Spider(target_url, headers) spider.getUrls(1, 16) print(all_urls)
可以看到所有的url地址，存放在all_urls列表中
['http://www.umei.cc/bizhitupian/meinvbizhi/1.htm', 'http://www.umei.cc/bizhitupian/meinvbizhi/2.htm', 'http://www.umei.cc/bizhitupian/meinvbizhi/3.htm', 'http://www.umei.cc/bizhitupian/meinvbizhi/4.htm', 'http://www.umei.cc/bizhitupian/meinvbizhi/5.htm', 'http://www.umei.cc/bizhitupian/meinvbizhi/6.htm', 'http://www.umei.cc/bizhitupian/meinvbizhi/7.htm', 'http://www.umei.cc/bizhitupian/meinvbizhi/8.htm', 'http://www.umei.cc/bizhitupian/meinvbizhi/9.htm', 'http://www.umei.cc/bizhitupian/meinvbizhi/10.htm', 'http://www.umei.cc/bizhitupian/meinvbizhi/11.htm', 'http://www.umei.cc/bizhitupian/meinvbizhi/12.htm', 'http://www.umei.cc/bizhitupian/meinvbizhi/13.htm', 'http://www.umei.cc/bizhitupian/meinvbizhi/14.htm', 'http://www.umei.cc/bizhitupian/meinvbizhi/15.htm', 'http://www.umei.cc/bizhitupian/meinvbizhi/16.htm']
上面的代码，可能需要有一定的Python基础可以看懂，不过你其实仔细看一下，就几个要点
第一个是 class Spider(): 我们声明了一个类,然后我们使用 def __init__去声明一个构造函数，这些我觉得你找个教程30分钟也就学会了。
拼接URL，我们可以用很多办法，我这里用的是最直接的，字符串拼接。
注意上述代码中有一个全局的变量 all_urls 我用它来存储我们的所有分页的URL，这里就是我们接下来下载网页的url地址
接下来，是爬虫最核心的部分代码了
我们需要分析页面中的逻辑。首先打开 http://www.umei.cc/bizhitupian/meinvbizhi/1.htm ，右键审查元素
分析源代码可知，所有图片资源都在li标签里面
接下来爬取每张图片里面的title和图片链接
这里我们采用多线程的方式爬取（这里还用了一种设计模式，叫观察者模式）
import threading #多线程模块 from lxml import etree #lxml模块 import time #时间模块
新增加一个全局的变量，并且由于是多线程操作，我们需要引入线程锁
all_img_urls = [] #图片列表页面的数组 g_lock = threading.Lock() #初始化一个锁
声明一个生产者的类，用来不断的获取图片详情页地址，然后添加到 all_img_urls 这个全局变量中
# 生产者，负责从每个页面提取图片列表链接 class Producer(threading.Thread): def run(self): headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36', 'HOST': 'www.umei.cc' } global all_urls while len(all_urls) > 0: g_lock.acquire() # 在访问all_urls的时候，需要使用锁机制 page_url = all_urls.pop() # 通过pop方法移除最后一个元素，并且返回该值 g_lock.release() # 使用完成之后及时把锁给释放，方便其他线程使用 try: print("分析" + page_url) response = requests.get(page_url, headers=headers, timeout=2) html_data= etree.HTML(response.text) all_pic_link = html_data.xpath("//a[@class='TypeBigPics']/img/@src") print(all_pic_link) global all_img_urls g_lock.acquire() # 这里还有一个锁 all_img_urls += all_pic_link # 这个地方注意数组的拼接，没有用append直接用的+=也算是python的一个新语法吧 print(all_img_urls) g_lock.release() # 释放锁 time.sleep(0.5) except: pass
上述代码用到了继承的概念，我从threading.Thread中继承了一个子类，继承的基础学习，你可以去翻翻 http://www.runoob.com/python3/python3-class.html 菜鸟教程就行。
线程锁，在上面的代码中，当我们操作all_urls.pop()的时候，我们是不希望其他线程对他进行同时操作的，否则会出现意外，所以我们使用g_lock.acquire()锁定资源，然后使用完成之后，记住一定要立马释放g_lock.release(),否则这个资源就一直被占用着，程序无法进行下去了。
匹配网页中的URL，我使用的是xpath解析，进行匹配。
代码容易出错的地方，我放到了
try: except: 里面，当然，你也可以自定义错误。
如果上面的代码，都没有问题，那么我们就可以在程序入口的地方编写
for x in range(2): t = Producer() t.start()
执行程序，因为我们的Producer继承自threading.Thread类，所以，你必须要实现的一个方法是 def run 这个我相信在上面的代码中，你已经看到了。然后我们可以执行啦~~~
运行结果：
这样，图片详情页面的列表就已经被我们存储起来了。
接下来，我们需要执行这样一步操作，我想要等待图片详情页面全部获取完毕，在进行接下来的分析操作。
这里增加代码
threads= [] #开启两个线程去访问 for x in range(2): t = Producer() t.start() #threads.append(t) # for tt in threads: # tt.join() print("进行到我这里了")
把上面的tt.join等代码注释打开：
发现一个本质的区别，就是，我们由于是多线程的程序，所以，当程序跑起来之后，print("进行到我这里了")不会等到其他线程结束，就会运行到，但是当我们改造成上面的代码之后，也就是加入了关键的代码 tt.join() 那么主线程的代码会等到所以子线程运行完毕之后，在接着向下运行。这就满足了，我刚才说的，先获取到所有的图片详情页面的集合，这一条件了。
join所完成的工作就是线程同步，即主线程遇到join之后进入阻塞状态，一直等待其他的子线程执行结束之后，主线程在继续执行。这个大家在以后可能经常会碰到。
下面编写一个消费者/观察者，也就是不断关注刚才我们获取的那些图片详情页面的数组。
添加一个全局变量，用来存储获取到的图片链接
pic_links = [] #图片地址列表
# 消费者 class Consumer(threading.Thread): def run(self): headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36', 'HOST': 'www.umei.cc' } global all_img_urls # 调用全局的图片详情页面的数组 print("%s is running " % threading.current_thread) while len(all_img_urls) > 0: print("在这") g_lock.acquire() img_url = all_img_urls.pop() g_lock.release() try: response = requests.get(img_url,headers=headers) html_data = etree.HTML(response.content.decode()) title = html_data.xpath("//div[@class='ArticleTitle']/strong/text()") all_pic_src = html_data.xpath("//div[@class='ImageBody']/p/a/img/@src") pic_dict = {title[0]: all_pic_src[0]} # python字典 global pic_links g_lock.acquire() pic_links.append(pic_dict) # 字典数组 #print(pic_links) #print(title + "获取成功") g_lock.release() except: print("有问题") time.sleep(0.5)
#开启10个线程去获取链接 for x in range(10): ta = Consumer() ta.start()
运行程序，打印出来是列表里面包含字典的数据
接下来就是，我们开篇提到的那个存储图片的操作了，还是同样的步骤，写一个自定义的类
我们获取图片链接之后，就需要下载了，我上面的代码是首先创建了一个之前获取到title的文件目录，然后在目录里面通过下面的代码,去创建一个文件。
涉及到文件操作，引入一个新的模块
import os #目录操作模块
class DownPic(threading.Thread): def run(self): headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36', } while True: # 这个地方写成死循环，为的是不断监控图片链接数组是否更新 global pic_links # 上锁 g_lock.acquire() if len(pic_links) == 0: # 如果没有图片了，就解锁 # 不管什么情况，都要释放锁 g_lock.release() continue else: pic = pic_links.pop() g_lock.release() # 遍历字典列表 for key,value in pic.items(): print("==================",key,value) path = key.strip() is_exists = os.path.exists(path) # 判断结果 if not is_exists: # 如果不存在则创建目录 # 创建目录操作函数 os.makedirs(path) print(path + '目录创建成功') else: # 如果目录存在则不创建，并提示目录已存在 print(path + '目录已存在') filename = path + "/" + key+".jpg" if os.path.exists(filename): continue else: response = requests.get(url=value,headers=headers) with open(filename,'wb') as f: f.write(response.content) f.close()
然后在主程序中编写代码
#开启10个线程保存图片 for x in range(10): down = DownPic() down.start()
运行程序，在文件夹里可以看到下载的下来的图片以及文件
整理全部代码：
import requests import threading #多线程模块 from lxml import etree #xpath方式爬取 import time #时间模块 import os all_img_urls = [] #图片列表页面的数组 g_lock = threading.Lock() #初始化一个锁 pic_links = [] #图片地址列表 all_urls = [] # 我们拼接好的图片集和列表路径 class Spider(): # 构造函数，初始化数据使用 def __init__(self, target_url, headers): self.target_url = target_url self.headers = headers # 获取所有的想要抓取的URL def getUrls(self, start_page, page_num): global all_urls # 循环得到URL for i in range(start_page, page_num + 1): url = self.target_url % i all_urls.append(url) # 生产者，负责从每个页面提取图片列表链接 class Producer(threading.Thread): def run(self): headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36', 'HOST': 'www.umei.cc' } global all_urls while len(all_urls) > 0: g_lock.acquire() # 在访问all_urls的时候，需要使用锁机制 page_url = all_urls.pop() # 通过pop方法移除最后一个元素，并且返回该值 g_lock.release() # 使用完成之后及时把锁给释放，方便其他线程使用 try: print("分析" + page_url) response = requests.get(page_url, headers=headers, timeout=2) html_data= etree.HTML(response.text) all_pic_link = html_data.xpath("//a[@class='TypeBigPics']/@href") print(all_pic_link) global all_img_urls g_lock.acquire() # 这里还有一个锁 all_img_urls += all_pic_link # 这个地方注意数组的拼接，没有用append直接用的+=也算是python的一个新语法吧 #print(all_img_urls) g_lock.release() # 释放锁 time.sleep(0.5) except: pass # 消费者 class Consumer(threading.Thread): def run(self): headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36', 'HOST': 'www.umei.cc' } global all_img_urls # 调用全局的图片详情页面的数组 print("%s is running " % threading.current_thread) while len(all_img_urls) > 0: g_lock.acquire() img_url = all_img_urls.pop() g_lock.release() try: response = requests.get(img_url,headers=headers) html_data = etree.HTML(response.content.decode()) title = html_data.xpath("//div[@class='ArticleTitle']/strong/text()") all_pic_src = html_data.xpath("//div[@class='ImageBody']/p/a/img/@src") pic_dict = {title[0]: all_pic_src[0]} # python字典 global pic_links g_lock.acquire() pic_links.append(pic_dict) # 字典数组 print(pic_links) #print(title + "获取成功") g_lock.release() except: print("有问题") time.sleep(0.5) class DownPic(threading.Thread): def run(self): headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36', } while True: # 这个地方写成死循环，为的是不断监控图片链接数组是否更新 global pic_links # 上锁 g_lock.acquire() if len(pic_links) == 0: # 如果没有图片了，就解锁 # 不管什么情况，都要释放锁 g_lock.release() continue else: pic = pic_links.pop() g_lock.release() # 遍历字典列表 for key,value in pic.items(): print("==================",key,value) path = key.strip() is_exists = os.path.exists(path) # 判断结果 if not is_exists: # 如果不存在则创建目录 # 创建目录操作函数 os.makedirs(path) print(path + '目录创建成功') else: # 如果目录存在则不创建，并提示目录已存在 print(path + '目录已存在') filename = path + "/" + key+".jpg" if os.path.exists(filename): continue else: response = requests.get(url=value,headers=headers) with open(filename,'wb') as f: f.write(response.content) f.close() if __name__ == "__main__": headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36', 'HOST': 'www.umei.cc', } target_url = "http://www.umei.cc/bizhitupian/meinvbizhi/%d.htm" # 图片集和列表规则 spider = Spider(target_url, headers) spider.getUrls(1, 16) threads= [] # 开启两个线程去访问 for x in range(2): t = Producer() t.start() threads.append(t) for tt in threads: tt.join() print("进行到我这里了") # 开启10个线程去获取链接 for x in range(10): ta = Consumer() ta.start() for x in range(10): down = DownPic() down.start()
