深夜,我用python爬取了整个斗图网站,不服来斗
QQ、微信斗图总是斗不过,索性直接来爬斗图网,我有整个网站的图,不服来斗。
废话不多说,选取的网站为斗图啦,我们先简单来看一下网站的结构
网页信息
从上面这张图我们可以看出,一页有多套图,这个时候我们就要想怎么把每一套图分开存放(后边具体解释)
通过分析,所有信息在页面中都可以拿到,我们就不考虑异步加载,那么要考虑的就是分页问题了,通过点击不同的页面,很容易看清楚分页规则
很容易明白分页URL的构造,图片链接都在源码中,就不做具体说明了明白了这个之后就可以去写代码抓图片了
存图片的思路
因为要把每一套图存入一个文件夹中(os模块),文件夹的命名我就以每一套图的URL的最后的几位数字命名,然后文件从文件路径分隔出最后一个字段命名,具体看下边的截图。
这些搞明白之后,接下来就是代码了(可以参考我的解析思路,只获取了30页作为测试)全部源码
# -*- coding:utf-8 -*- import requests from bs4 import BeautifulSoup import os class doutuSpider(object): headers = { "user-agent": "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36"} def get_url(self,url): data = requests.get(url, headers=self.headers) soup = BeautifulSoup(data.content,‘lxml‘) totals = soup.findAll("a", {"class": "list-group-item"}) for one in totals: sub_url = one.get(‘href‘) global path path = ‘J:\\train\\image‘+‘\\‘+sub_url.split(‘/‘)[-1] os.mkdir(path) try: self.get_img_url(sub_url) except: pass def get_img_url(self,url): data = requests.get(url,headers = self.headers) soup = BeautifulSoup(data.content, ‘lxml‘) totals = soup.find_all(‘div‘,{‘class‘:‘artile_des‘}) for one in totals: img = one.find(‘img‘) try: sub_url = img.get(‘src‘) except: pass finally: urls = ‘http:‘ + sub_url try: self.get_img(urls) except: pass def get_img(self,url): filename = url.split(‘/‘)[-1] global path img_path = path+‘\\‘+filename img = requests.get(url,headers=self.headers) try: with open(img_path,‘wb‘) as f: f.write(img.content) except: pass def create(self): for count in range(1, 31): url = ‘https://www.doutula.com/article/list/?page={}‘.format(count) print ‘开始下载第{}页‘.format(count) self.get_url(url) if __name__ == ‘__main__‘: doutu = doutuSpider() doutu.create() 复制代码
结果
总结
总的来说,这个网站结构相对来说不是很复杂,大家可以参考一下,爬一些有趣的
原文地址:https://www.cnblogs.com/7758520lzy/p/12576252.html
时间: 2024-10-08 03:10:30