目錄
- 一、技術(shù)路線
- 二、獲取網(wǎng)頁信息
- 三、網(wǎng)頁爬取分析
- 四、網(wǎng)頁詳情頁鏈接獲取
- 五、依據(jù)圖片鏈接保存圖片
- 六、main()函數(shù)
- 七、完整代碼
一、技術(shù)路線
requests：網(wǎng)頁請求
BeautifulSoup：解析html網(wǎng)頁
re：正則表達式，提取html網(wǎng)頁信息
os：保存文件
import re
import requests
import os
from bs4 import BeautifulSoup
二、獲取網(wǎng)頁信息
常規(guī)操作，獲取網(wǎng)頁信息的固定格式，返回的字符串格式的網(wǎng)頁內(nèi)容，其中headers參數(shù)可模擬人為的操作，‘欺騙'網(wǎng)站不被發(fā)現(xiàn)
def getHtml(url): #固定格式，獲取html內(nèi)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'
} #模擬用戶操作
try:
r = requests.get(url, headers=headers)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
print('網(wǎng)絡(luò)狀態(tài)錯誤')
三、網(wǎng)頁爬取分析
右鍵單擊圖片區(qū)域，選擇 ‘審查元素' ,可以查看當(dāng)前網(wǎng)頁圖片詳情鏈接，我就滿心歡喜的復(fù)制鏈接打開保存，看看效果，結(jié)果一張圖片只有60幾kb，這就是縮略圖啊，不清晰，果斷舍棄。。。
沒有辦法，只有點擊找到詳情頁鏈接，再進行單獨爬取。
空白右鍵，‘查看頁面源代碼'，把剛剛復(fù)制的縮略圖鏈接復(fù)制查找快速定位，分析所有圖片詳情頁鏈接存在div標簽，并且class=‘list' 唯一，因此可以使用BeautifulSoup提取此標簽。并且發(fā)現(xiàn)圖片詳情頁鏈接在herf=后面（同時我們注意到有部分無效鏈接也在div標簽中，觀察它們異同，發(fā)現(xiàn)無效鏈接存在'https'字樣，因此可在代碼中依據(jù)此排出無效鏈接，對應(yīng)第4條中的函數(shù)代碼），只需提取出來再在前面加上網(wǎng)頁首頁鏈接即可打開，并且右鍵圖片，‘審查元素'，復(fù)制鏈接下載的圖片接近1M，表示是高清圖片了，到這一步我們只需調(diào)用下載保存函數(shù)即可保存圖片
四、網(wǎng)頁詳情頁鏈接獲取
根據(jù)第3條分析的情況，首要目標是將每頁的每個圖片的詳情頁鏈接給爬取下來，為后續(xù)的高清圖片爬取做準備，這里直接定義函數(shù)def getUrlList(url):
def getUrlList(url): # 獲取圖片鏈接
url_list = [] #存儲每張圖片的url，用于后續(xù)內(nèi)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，因此作為錨，獲取唯一的div標簽；注意，這里的網(wǎng)頁源代碼是class，但是python為了和class（類）做區(qū)分，在最后面添加了_
nls = re.findall(r'a href="(.*?)" rel="external nofollow" rel="external nofollow" ', str(sp)) #用正則表達式提取鏈接
for i in nls:
if 'https' in i: #因所有無效鏈接中均含有'https'字符串，因此直接剔除無效鏈接（對應(yīng)第3條的分析）
continue
url_list.append('http://www.netbian.com' + i) #在獲取的鏈接中添加前綴，形成完整的有效鏈接
return url_list
五、依據(jù)圖片鏈接保存圖片
同理，在第4條中獲取了每個圖片的詳情頁鏈接后，打開，右鍵圖片'審查元素'，復(fù)制鏈接即可快速定位，然后保存圖片
def fillPic(url,page):
pic_url = getUrlList(url) #調(diào)用函數(shù)，獲取當(dāng)前頁的所有圖片詳情頁鏈接
path = './美女' # 保存路徑
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"作為錨，獲取唯一div標簽；注意，這里的網(wǎng)頁源代碼是class，但是python為了和class（類）做區(qū)分，在最后面添加了_
picUrl = re.findall(r'src="(.*?)"', str(psoup))[0] #利用正則表達式獲取詳情圖片鏈接，因為這里返回的是列表形式，所以取第一個元素（只有一個元素，就不用遍歷的方式了）
pic = requests.get(picUrl).content #打開圖片鏈接，并以二進制形式返回（圖片，聲音，視頻等要以二進制形式打開）
image_name ='美女' + '第{}頁'.format(page) + str(p+1) + '.jpg' #給圖片預(yù)定名字
image_path = path + '/' + image_name #定義圖片保存的地址
with open(image_path, 'wb') as f: #保存圖片
f.write(pic)
print(image_name, '下載完畢?。。?)
六、main()函數(shù)
經(jīng)過前面的主體框架搭建完畢之后，對整個程序做一個前置化，直接上代碼
在這里第1頁的鏈接是http://www.netbian.com/meinv/
第2頁的鏈接是http://www.netbian.com/meinv/index_2.htm
并且后續(xù)頁面是在第2頁的基礎(chǔ)上僅改變最后的數(shù)字，因此在寫代碼的時候要注意區(qū)分第1頁和后續(xù)頁面的鏈接，分別做處理；同時在main()函數(shù)還增加了自定義爬取頁數(shù)的功能，詳見代碼
def main():
n = input('請輸入要爬取的頁數(shù)：')
url = 'http://www.netbian.com/meinv/' # 資源的首頁，可根據(jù)自己的需求查看不同分類，自定義改變目錄，爬取相應(yīng)資源
if not os.path.exists('./美女'): # 如果不存在，創(chuàng)建文件目錄
os.mkdir('./美女/')
page = 1
fillPic(url, page) # 爬取第一頁，因為第1頁和后續(xù)頁的鏈接的區(qū)別，單獨處理第一頁的爬取
if int(n) >= 2: #爬取第2頁之后的資源
ls = list(range(2, 1 + int(n)))
url = 'http://www.netbian.com/meinv/'
for i in ls: #用遍歷的方法對輸入的需求爬取的頁面做分別爬取處理
page = str(i)
url_page = 'http://www.netbian.com/meinv/'
url_page += 'index_' + page + '.htm' #獲取第2頁后的每頁的詳情鏈接
fillPic(url, page) #調(diào)用fillPic()函數(shù)
七、完整代碼
最后再調(diào)用main()，輸入需要爬取的頁數(shù)，即可開始爬取，完整代碼如下
import re
import requests
import os
from bs4 import BeautifulSoup
def getHtml(url): #固定格式，獲取html內(nèi)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'
} #模擬用戶操作
try:
r = requests.get(url, headers=headers)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
print('網(wǎng)絡(luò)狀態(tài)錯誤')
def getUrlList(url): # 獲取圖片鏈接
url_list = [] #存儲每張圖片的url，用于后續(xù)內(nèi)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，因此作為錨，獲取唯一的div標簽；注意，這里的網(wǎng)頁源代碼是class，但是python為了和class（類）做區(qū)分，在最后面添加了_
nls = re.findall(r'a href="(.*?)" rel="external nofollow" rel="external nofollow" ', str(sp)) #用正則表達式提取鏈接
for i in nls:
if 'https' in i: #因所有無效鏈接中均含有'https'字符串，因此直接剔除無效鏈接（對應(yīng)第3條的分析）
continue
url_list.append('http://www.netbian.com' + i) #在獲取的鏈接中添加前綴，形成完整的有效鏈接
return url_list
def fillPic(url,page):
pic_url = getUrlList(url) #調(diào)用函數(shù)，獲取當(dāng)前頁的所有圖片詳情頁鏈接
path = './美女' # 保存路徑
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"作為錨，獲取唯一div標簽；注意，這里的網(wǎng)頁源代碼是class，但是python為了和class（類）做區(qū)分，在最后面添加了_
picUrl = re.findall(r'src="(.*?)"', str(psoup))[0] #利用正則表達式獲取詳情圖片鏈接，因為這里返回的是列表形式，所以取第一個元素（只有一個元素，就不用遍歷的方式了）
pic = requests.get(picUrl).content #打開圖片鏈接，并以二進制形式返回（圖片，聲音，視頻等要以二進制形式打開）
image_name ='美女' + '第{}頁'.format(page) + str(p+1) + '.jpg' #給圖片預(yù)定名字
image_path = path + '/' + image_name #定義圖片保存的地址
with open(image_path, 'wb') as f: #保存圖片
f.write(pic)
print(image_name, '下載完畢?。?！')
def main():
n = input('請輸入要爬取的頁數(shù)：')
url = 'http://www.netbian.com/meinv/' # 資源的首頁，可根據(jù)自己的需求查看不同分類，自定義改變目錄，爬取相應(yīng)資源
if not os.path.exists('./美女'): # 如果不存在，創(chuàng)建文件目錄
os.mkdir('./美女/')
page = 1
fillPic(url, page) # 爬取第一頁，因為第1頁和后續(xù)頁的鏈接的區(qū)別，單獨處理第一頁的爬取
if int(n) >= 2: #爬取第2頁之后的資源
ls = list(range(2, 1 + int(n)))
url = 'http://www.netbian.com/meinv/'
for i in ls: #用遍歷的方法對輸入的需求爬取的頁面做分別爬取處理
page = str(i)
url_page = 'http://www.netbian.com/meinv/'
url_page += 'index_' + page + '.htm' #獲取第2頁后的每頁的詳情鏈接
fillPic(url_page, page) #調(diào)用fillPic()函數(shù)
main()
到此這篇關(guān)于只用50行Python代碼爬取網(wǎng)絡(luò)美女高清圖片的文章就介紹到這了,更多相關(guān)Python爬取圖片內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- python opencv通過按鍵采集圖片源碼
- 使用Python的Scrapy框架十分鐘爬取美女圖
- Python使用爬蟲抓取美女圖片并保存到本地的方法【測試可用】
- Python制作爬蟲抓取美女圖
- python制作花瓣網(wǎng)美女圖片爬蟲
- Python爬蟲入門案例之回車桌面壁紙網(wǎng)美女圖片采集
