python为在线漫画站点自制非官方API(未完待续)

接下来将记录我一步一步写一个非官方API的过程，由于一些条件的约束，最后的成品可能非常粗暴简陋

如今介绍要准备的全部工具：

系统：ubuntu 14.04

语言：python 2.7

须要自行安装的库：flask，BeautifulSoup４。requests，selenium，pinyin，phantomjs-1.9.8

server：Sina App Engine

由于成本原因我选择了Sina App Engine，由于免费，可是免费也带来了一定的麻烦就是功能不全，尽管Sina App Engine同意安装python的第三方库，可是对于javascript解释器我非常无奈，假设能够我非常希望Sina App Engine有nodejs的执行环境。这样就会方便非常多。

当然我写的仅仅是简单实现，并没有考虑到效率和优化

以下是几个重要的文档：

http://beautifulsoup.readthedocs.org/zh_CN/latest/

http://cn.python-requests.org/zh_CN/latest/

http://dormousehole.readthedocs.org/en/latest/

http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

https://github.com/cleverdeng/pinyin.py



（一定要多看文档。一定要多看文档，一定要多看文档。重要的事要说三遍。由于我常常不看文档）

以下是搜索漫画API開始：



分析：



我选择的站点是：http://cnc.dm5.com（对于站点我仅仅想说很抱歉）

为什么选择这个站点，由于是我最常逛的在线漫画站点，仅此而已

接下来我们看一下它的搜索页面，当你在首页输入书名，点击搜索以后，URL会跳转

举个样例：

搜索“一拳超人”

结果页面例如以下：

http://www.dm5.com/search?title=一拳超人&language=1



这样我们就知道搜索结果页面。你能够手动将　一拳超人　改成你喜欢的漫画名，看到会不会跳转到那本漫画的搜索结果页上

可是结果页上内容太多了，并不仅仅有我要的那本漫画，于是我又做了一件事，将中文改成pinyin



http://www.dm5.com/search?title=yiquanchaoren&language=1



结果页面上仅仅有我须要的漫画，如今发现了拼音搜索会更精确

当我们知道这样就能够进入搜索页。那我们就能够分析这个页面，找到我们须要的信息

那么我们须要什么呢？

不论什么浏览器的F12都是强大的，在这个页面上按下F12，就是新世界的大门。哈哈哈......

定位元素，发现须要的信息是在　class="ssnrk"　中（友情提示。F12下的源代码是解析JS以后的，想知道现实情况最后先输出在一个文件上看看）

#coding:utf-8
import requests

wfile = open('url.html','w')
r = requests.get('http://cnc.dm5.com/search?title=yiquanchaoren').content

wfile.write(r)

这是最简单的測试方法，将源代码写进一个文件里，然后去文件里找有没有　class="ssnrk"　，假设存在以后就以文件的元素结构分析（以后的每个页面最好都做一下这步）

如今发现文件里也有这个元素，OK，我们须要什么呢？漫画名和它的地址，当然你要图片也能够

我们发现class="ssnrk"元素下<div class="ssnr_yt"><dl><a href="/manhua-yiquanchaoren/" title="一拳超人"><img height="127" width="95" src="http://mhfm5.tel.cdndm5.com/11/10684/20150430155820_130x174_13.jpg" /></a></dl>里面包括了我们要的一切，名称，链接，图片

那么我们怎么得到这些有效信息呢？

#coding:UTF-8
import urllib2
from bs4 import BeautifulSoup
from bs4 import UnicodeDammit
import requests
import re
import json

#搜索结果页面URL
url='http://cnc.dm5.com/search?

title=guanlangaoshou'
r = requests.get(url).content
soup = BeautifulSoup(r)

#找出全部class="ssnr_yt"元素，然后循环找出以下的a元素，放进找一个list中
ssjg_list=[]
for line in soup.find_all(class_="ssnr_yt"):
    ssjg_list.append(line.find('a'))

#循环将全部图片，URL，名称放进字典中
z_url="http://cnc.dm5.com"
#总的字典
json_ss = {}
#结果数量
json_ss['num']=len(ssjg_list)
#计数器
j_s=0
for line in ssjg_list:
    j_s=j_s+1
    #单个字典
    json_s={}
    soup_a = BeautifulSoup(str(line))
    json_s['title']=soup_a.a.get('title')#找出a元素title属性的值
    json_s['url']=z_url+soup_a.a.get('href')#找出a元素hresf属性的值
    json_s['img']=soup_a.a.img.get('src')#找出a元素下img元素src属性的值
    json_ss[j_s]=json_s

#以json形式输出
print json.dumps(json_ss,ensure_ascii=False,indent=2)

为什么这里搜索内容变成guanlangaoshou呢？由于有些漫画真的有多个结果，比方这个guanlangaoshou ，就有四个以下是得到的结果：

{
  "3": {
    "url": "http://cnc.dm5.com/manhua-guanlangaoshou/",
    "img": "http://mhfm9.tel.cdndm5.com/1/860/860_c.jpg",
    "title": "灌篮高手"
  },
  "1": {
    "url": "http://cnc.dm5.com/manhua-guanlangaoshoujuchangban/",
    "img": "http://mhfm5.tel.cdndm5.com/1/380/380_c.jpg",
    "title": "灌篮高手剧场版"
  },
  "2": {
    "url": "http://cnc.dm5.com/manhua-guanlangaoshoushirihou/",
    "img": "http://mhfm8.tel.cdndm5.com/7/6270/6270_c.jpg",
    "title": "灌篮高手十日后"
  },
  "num": 4,
  "4": {
    "url": "http://cnc.dm5.com/manhua-guanlangaoshouquanguodasaipian-quancai/",
    "img": "http://mhfm1.tel.cdndm5.com/8/7312/20150526100857_130x174_12.jpg",
    "title": "灌篮高手全国大赛篇(全彩)"
  }
}

如今写的都是小零件和一步一步測试，等到最后会组装起来搜索结果先告一段落，如今已搜索到的结果为前提，进行下一步，找出这本漫画全部的章节的URL：这次以　yiquanchaoren 为例：URL：http://cnc.dm5.com/manhua-yiquanchaoren/这是漫画的章节页，眼下是74话(挺少的，看着只是瘾)继续使用F12这个武器，会发现章节的URL都在class=nr6 lan2下的a中：

#coding:UTF-8
import urllib2
from bs4 import BeautifulSoup
from bs4 import UnicodeDammit
import requests
import re
import json

url='http://cnc.dm5.com/manhua-yiquanchaoren/'
r = requests.get(url).content
soup = BeautifulSoup(r)
#找出全部class="nr6 lan2"下全部a
class_a = soup.find_all(class_="nr6 lan2")
s = BeautifulSoup(str(class_a)).find_all('a')
#这个list用来存放全部章节URL
url_list=[]
z_url = 'http://cnc.dm5.com'
#循环全部a，获取URL
for line in s:
    bs_a = BeautifulSoup(str(line))
    #这个推断是用来去除不须要的URL,它们是已http://开头。正确的URL是/开头
    if not bs_a.a.get('href').split('/')[0]:
        w_url = z_url+bs_a.a.get('href')
        url_list.append(z_url+bs_a.a.get('href'))
#去重排序URL
print sorted(list(set(url_list)),key=str.lower)

这样就得到了全部章节的URL，如今这里先放一下，我们点击进入一个章节，看一会儿漫画。诶。竟然有广告，開始找出须要的漫画url。按下F12。我们能够立即找到，真的找到了吗？

之前说过浏览器下的源代码是经过js解析以后的完整源代码，而python不具备js的解析，非常easy的实验，之前也提到过。将获取的源代码写入一个文件里

#coding:utf-8
import requests

wfile = open('url.html','w')
r = requests.get('http://cnc.dm5.com/m208526/').content

wfile.write(r)

在这个url.html中搜索id="cp_img"，原本以下应该有的img元素不见了，整个id以下居然没有子节点，再往下看，会找到关于img的js函数。如今能够确定。图片是由js控制的，python不能解析的话，仅仅能依赖别的工具selenium，phantomjs-1.9.8，好复杂的说

话不多说，直接上代码

#coding:UTF-8
import urllib2
from bs4 import BeautifulSoup
from bs4 import UnicodeDammit
import requests
import re
import json
from selenium import webdriver
import sys

#这两个url。待会儿再解释
#url="http://cnc.dm5.com/m208526-p1"
url="http://cnc.dm5.com/m208526/#ipg1"
#一个是windows下的路径，一个是ubuntu下的路径，依据自己的安装路径
#driver = webdriver.PhantomJS(executable_path='C:\\YXJR_ZJL\\RuanJian\\phantomjs-2.0.0-windows\\bin\\phantomjs')
driver = webdriver.PhantomJS(executable_path='/home/zjl//phantomjs-1.9.8/bin/phantomjs')
driver.get(url)
#依据xpath找到id="cp_image"的img元素。获取src属性值
r= driver.find_element_by_xpath("//img[@id='cp_image']").get_attribute('src')
#下载图片。保存本地
with open(r'yy11.jpg','wb') as f:
    f.write(requests.get(r).content)

上面是两个url均有效。当你点击下一页的时候url后面会出现一个页数的參数。默认第一页是没有的就算加上參数也不影响将图片保存本地看一下。会发现一个问题。为什么下载的图片和现实看到的图片不一样呢？下载下来的图片是提示要从正确的站点进入，难道是传说中的防盗链？于是我把代码改了一下：

#coding:UTF-8
import urllib2
from bs4 import BeautifulSoup
from bs4 import UnicodeDammit
import requests
import re
import json
from selenium import webdriver
import sys

#这两个url，待会儿再解释
#url="http://cnc.dm5.com/m208526-p1"
url="http://cnc.dm5.com/m208526/#ipg1"
#一个是windows下的路径，一个是ubuntu下的路径，依据自己的安装路径
#driver = webdriver.PhantomJS(executable_path='C:\\YXJR_ZJL\\RuanJian\\phantomjs-2.0.0-windows\\bin\\phantomjs')
driver = webdriver.PhantomJS(executable_path='/home/zjl//phantomjs-1.9.8/bin/phantomjs')
driver.get(url)
#依据xpath找到id="cp_image"的img元素，获取src属性值
r= driver.find_element_by_xpath("//img[@id='cp_image']").get_attribute('src')
#获取图片的头地址
rr = r.split('//')[1].split('/')[0]
#自己定义头信息
headers = {'Host':rr,
'Referer':url,
'User-Agent':'Mozilla/5.0 (Windows NT 6.1; rv:38.0) Gecko/20100101 Firefox/38.0'}
imgUrl = r
#下载图片
with open(r'yy11.jpg','wb') as f:
    #訪问时发送自己定义的头信息
    f.write(requests.get(imgUrl,headers=headers).content)

如今发现ok了。下载的图片正常显示

到这里，用上面全部的知识已经能够写一个漫画下载器了，能够去站点下载漫画看了。哈哈哈......



今天先到这里，下次继续