基于python的pixiv爬虫

基于python的pixiv爬虫

1、目标

在和朋友吹逼过程中，聊到qq群机器人，突发奇想动手做一个p站每日推荐色图的色图机，遂学习爬虫。

目标：

1. 批量下载首页推荐色图。
2. 由于对qq机器人不熟，先利用flask搭键一个网页色图机。

2、流程

3、批量下载

1、分析网页

虽然直接进入pixiv的主页是需要登录的，但是进入排行榜却不需要这个过程。

通过网页源代码定位到图片id

<section id="1" class="ranking-item" data-rank="1" data-rank-text="#1" data-title="無題" data-user-name="よむ" data-date="2021年05月10日 08:20" data-view-count="140513" data-rating-count="2017" data-attr="original" data-id="89739433"><div class="rank"><h1><a href="#1" class="label ui-scroll" data-hash-link="true">#1</a><i class="up sprites-up"></i></h1><p><a href="ranking.php?mode=daily&amp;date=20210510&amp;p=1&amp;ref=rn-b-1-yesterday-3#3" target="_blank">之前 #3</a></p><i class="_icon sprites-info open-info ui-modal-trigger"></i></div><div class="ranking-image-item"><a href="/artworks/89739433" class="work  _work multiple  " target="_blank"><div class="_layout-thumbnail"><img src="https://i.pximg.net/c/240x480/img-master/img/2021/05/10/08/20/13/89739433_p0_master1200.jpg" alt="" class="_thumbnail ui-scroll-view" data-filter="thumbnail-filter lazy-image" data-src="https://i.pximg.net/c/240x480/img-master/img/2021/05/10/08/20/13/89739433_p0_master1200.jpg" data-type="illust" data-id="89739433" data-tags="がんばれ同期ちゃん 予定調和 マニキュア オリジナル7500users入り 知ってる" data-user-id="6210796" style="opacity: 1;"></div><div class="page-count"><div class="icon"></div><span>4</span></div></a></div><h2><a href="/artworks/89739433" class="title" target="_blank" rel="noopener">無題</a></h2><a class="user-container ui-profile-popup" href="/users/6210796" title="よむ" data-user_id="6210796" data-user_name="よむ" data-profile_img="https://i.pximg.net/user-profile/img/2018/09/14/10/19/08/14773702_ae2f1806cc39cd6a1d91b0e451321002_50.jpg"><div class="_user-icon size-32 cover-texture ui-scroll-view" data-filter="lazy-image" data-src="https://i.pximg.net/user-profile/img/2018/09/14/10/19/08/14773702_ae2f1806cc39cd6a1d91b0e451321002_50.jpg" style="background-image: url(&quot;https://i.pximg.net/user-profile/img/2018/09/14/10/19/08/14773702_ae2f1806cc39cd6a1d91b0e451321002_50.jpg&quot;);"></div><span class="user-name">よむ</span></a></section>

可以看到这张图片的详细信息

data-rank="1" #排名为第一
data-user-name="よむ" #作者名为よむ
data-id="89739433" #图片id为89739433

还有一个重要信息，是我在后期进行下载和引用时才发现的

class="page-count"><div class="icon"></div><span>4</span></div>

因为排行榜上的并非都是单张插画，也有此类多张的漫画，给爬虫工作增加了许多困难。

2、分析动态页面

在分析了这个页面所有的内容后，发现在主页面，只显示了至多50张图片的信息，但其实每日排行的图片远远不止这个数量，但是pixiv并非像豆瓣或者bangumi拥有静态的目录，而且采取动态加载的方法，一直往下滑，则页面一直加载。

滑了半天，得知每日图片推荐一共有500张图片

对于动态页面，采取抓包查看每次动态加载的具体内容。

除了不停加载的图片信息，抓到一条请求

https://www.pixiv.net/ranking.php?p=2&format=json

查看这个页面

显然，这是排行榜第二页的内容，将p=2改为p=1，同样显示了第一页的内容，也就是说，每次发送请求，则返回50张图片的信息，发送十次请求，则可以获得500张照片的信息，那么接下来的工作就简单了。

3、热门图片信息获取

抓取的网页并非html标准格式的，不能也没必要用bs4进行内容分析，直接用正则表达式即可。

先用request请求获取十个页面，并且打印出来看下是否正确。

import requests
headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36',
        'referer': 'https://www.pixiv.net/ranking.php?mode=daily&content=illust',
    }
for i in range(1, 11):
    url = 'https://www.pixiv.net/ranking.php?p=%d&format=json' % i
    res = requests.get(url, headers=headers)
    print(res.text)

打印结果太多了，和上图浏览器中结果相同，就不做展示，正确的打印了十次请求获取的数据。

下面通过正则表达式获取每次请求中我们需要的内容，并打印查看

import re
id = re.findall('"illust_id":(\d+)', res.text)
for i in id:
    print(i)

图片id就哗啦啦地出来了，检查打印下len(id)每组都为50个，一切无误。

同时，也将每一组图片的张数进行获取，方便之后的显示、下载。

count = re.findall('"illust_page_count":"(\d+)"', res.text)

4、图片下载

拿到了排行榜图片的id、张数，下一步是对其进行下载。

能否进行下载一直是我很担心的一个难点，因为有的图片尺度过大，在未登录时是无法直接进行访问的。

先进入一张普通图片的页面，寻找图片下载的地址

<div role="presentation" class="sc-1qpw8k9-0 yjBCb"><a href="https://i.pximg.net/img-original/img/2021/05/10/08/20/13/89739433_p0.png" class="sc-1qpw8k9-3 kIEHmb gtm-expand-full-size-illust" target="_blank" rel="noopener"><img alt="#がんばれ同期ちゃん 無題 - よむ的插画" src="https://i.pximg.net/img-master/img/2021/05/10/08/20/13/89739433_p0_master1200.jpg"

拿到图片下载的地址。

注意到，这个标签的role的值为presentation，之后如果使用bs4进行查找，则可以轻松获得下载地址。

url = 'https://www.pixiv.net/artworks/89739433'
res = requests.get(url, headers=headers)
with open('test.txt','wb') as f :
    f.write(res.text.encode('utf8'))

通过requests访问一下试试

然而，离谱的事情就出现了，那就是通过浏览器直接访问的内容和爬虫访问的内容是不一样的。不过还好，就算不一样，仍然可以拿到链接。

在txt文件中搜索https://i.pximg.net/img-original，找到了

"original":"https://i.pximg.net/img-original/img/2021/05/10/08/20/13/89739433_p0.png"}

通过正则，便可获取到这个下载地址

result = re.findall(r'"original":"(.+?)"',res.text)

在下载图片时，需要给图片命名，分为文件名和后缀名，全部通过正则提取。

pic_name = re.findall(r'"illustTitle":"(.+?)"', res.text)[0]

extension = re.findall(r'....$', pic_url)[0]

下载图片时，我用最简单的方法，将原始的url的末尾删除，for循环改变p的值，拼接上文件后缀名，从而达到下载一组多张图片的功能

pic_url = re.sub('.....$','',pic_url)
# 下载图片
for i in range(0,int(count)):
    url = pic_url+str(i)+extension
    print(url)
    pic = requests.get(url, headers=headers)
    with open('%s%d%s' % (pic_name, i, extension), 'wb') as f:
        f.write(pic.content)

最后，将之前所有的代码整合，构造一个函数，输入图片id和图片张数，自动下载。

def download(id, count):
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36',
        'referer': 'https://www.pixiv.net/ranking.php?mode=daily&content=illust',
    }

    url = 'https://www.pixiv.net/artworks/%d' % id
    res = requests.get(url, headers=headers)
    pic_url = re.findall(r'"original":"(.+?)"', res.text)[0]
    pic_name = re.findall(r'"illustTitle":"(.+?)"', res.text)[0]
    # 获取后缀
    extension = re.findall(r'....$', pic_url)[0]
    pic_url = re.sub('.....$','',pic_url)
    # 下载图片
    for i in range(0,int(count)):
        url = pic_url+str(i)+extension
        print(url)
        pic = requests.get(url, headers=headers)
        with open('%s%d%s'% (pic_name, i, extension), 'wb') as f:
            f.write(pic.content)

5、debug

获取到了图片的id和张数，并且构造了输入id和张数就能自动执行脚本的函数，将两者稍作整合，结果在运行时报错：

OSError: [Errno 22] Invalid argument: './ex/電車で寄りかかられたOLと寄りかかってきた居眠り(?)JK1.jpg'

显然，文件命名不能包含'?'，于是添加正则去除这些符号

if re.search('[\\\ \/ \* \? \" \: \< \> \|]', pic_name) != None:
  pic_name = re.sub('[\\\ \/ \* \? \" \: \< \> \|]', '', pic_name)

之后运行正常

6、总代码

#-*— codeing = utf-8 -*-
import requests
import re
headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36',
    'referer': 'https://www.pixiv.net/ranking.php?mode=daily&content=illust',
}
def download(id, count):
    url = 'https://www.pixiv.net/artworks/%d' % id
    res = requests.get(url, headers=headers)
    pic_url = re.findall(r'"original":"(.+?)"', res.text)[0]
    pic_name = re.findall(r'"illustTitle":"(.+?)"', res.text)[0]
    # 获取后缀
    extension = re.findall(r'....$', pic_url)[0]
    pic_url = re.sub('.....$','',pic_url)
    if re.search('[\\\ \/ \* \? \" \: \< \> \|]', pic_name) != None:
        pic_name = re.sub('[\\\ \/ \* \? \" \: \< \> \|]', '', pic_name)
    # 下载图片
    for i in range(0,int(count)):
        url = pic_url+str(i)+extension
        print('正在下载id为：%d的第%d张图片'%(id,i+1),end='   ')
        pic = requests.get(url, headers=headers)
        with open('./ex/%s%d%s' % (pic_name, i+1, extension), 'wb') as f:
            f.write(pic.content)
            print('下载成功', end='\n')
def bot():
    id = []
    count = []
    for i in range(1, 2):
        url = 'https://www.pixiv.net/ranking.php?p=%d&format=json' % i
        res = requests.get(url, headers=headers)
        id = id + re.findall('"illust_id":(\d+)', res.text)
        count = count + re.findall('"illust_page_count":"(\d+)"', res.text)
    if len(id) == len(count):
        for i in range(0,len(id)):
            download(int(id[i]),int(count[i]))
bot()

4、网页搭键

1、思路

如果要将所有图片下载至服务器，且不说我使用的阿里云无法访问p站，占用空间、下载花费时间，都是问题。而p站的图片的下载地址链接并没有办法直接显示图片，固选择第三方代理来实现在网页中显示p站图片的功能。

使用的代理网站是

pixiv.cat

虽然在国内直接访问速度也并不理想，但是可以直接通过链接在网页中显示图片。

重新写一个爬虫，功能是把所有每日推荐图片的id存到一个txt文件中，方便我们在服务器上直接调用。值得注意的是，如果这组图片不止一张，就在图片id后加一个'-1'，这样代理网站才能正常工作（代理网站规则请自行前往查看）

2、爬虫代码

for i in range(1, 11):
    url = 'https://www.pixiv.net/ranking.php?p=%d&format=json' % i
    res = requests.get(url, headers=headers)
    illust_id = re.findall('"illust_id":(\d+?),', res.text)
    illust_page_count = re.findall('"illust_page_count":"(\d+?)"', res.text)
    len_ = len(illust_id)
    i = 0
    if len_ != 0:
        while i < len_:
            with open('id.txt','a') as f:
                if illust_page_count[i] == '1':
                    f.write(illust_id[i])
                    f.write('\n')
                else :
                    f.write(illust_id[i])
                    f.write('-1')
                    f.write('\n')
            i = i+1
    else:
        pass

3、flask代码

from flask import Flask,render_template
import random

app = Flask(__name__)
list_ = []
with open('id.txt')as id_list:
    for line in id_list:
        line = line.strip('\n')
        list_.append(line)

len = len(list_)
ran = list_[random.randint(1,len)]

@app.route('/')
def index():
    ran = list_[random.randint(1, len)]
    return render_template("index.html",pic=ran)

if __name__ == '__main__':
    app.run(app.run(host='0.0.0.0', port=8001, debug=True))

大致思路是读取txt文件，随机取得一张图片的id，并传递给前端

4、前端代码

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>色图机</title>
<html lang="en">
<head>
    <meta charset="UTF-8">

</head>
<script>
        function handle() {
            document.getElementById('myImage').src='https://pixiv.cat/'+'{{ pic }}'+'.jpg';
        }
    </script>

<body >
    <h1 style="text-align: center;">色图机</h1>
    <div style="text-align: center;">
    <img height="500" id= "myImage" src='https://pixiv.cat/{{ pic }}.jpg'/>
    </div>
    <h2 style="text-align: center;">p站id为：{{pic}}</h2>
    <h2 style="text-align: center;">刷新页面以刷新色图</h2>
    <footer style="text-align: center;">
        图片来源为pixiv每日推荐，本网站仅做学习，图片内容与本人无关
        <br>power by huigugu
        <br>To dear じじ
    </footer>
</body>
</html>
</head>
</html>

5、总结

1. 对于基础的爬虫，难点在分析网页内容。
2. 通过浏览器访问到的和通过爬虫访问到的不尽相同。
3. 看色图久了会感觉枯燥无味。

6、参考资料

1. b站爬虫教学视频 http://www.bilibili.com/video/BV12E411A7ZQ
2. CSDN相似爬虫项目(在其基础上解决了一组多张图片的问题) https://blog.csdn.net/weixin_45826022/article/details/109406389