title: python3爬取女神图片,破解盗链问题

date: 2018-04-22 08:26:00

tags: [python3,美女,图片抓取,爬虫, 盗链]

comments: true

前言

其实,抓取图片和抓取小说内容没有任何本质的区别,步骤都是一样的。

但是图片读取的时候,会遇到一个盗链问题。这个问题是花的解决时间最长的。

环境

语言: python3

操作系统: mac 10.12.16

自定义工具包:soup_tool

其依赖工具如下:

from urllib import request
from urllib.parse import quote
from bs4 import BeautifulSoup
import os
import threading
import re
import ssl

version 0.1 单个网址链接抓取所有特定图片

抓取分析

首先打开单个美女图片集

https://www.nvshens.com/g/24816

可以看到我标注的

使用chrome的检查功能,可以看到当前页有3张我们想要的图片

其中,可以以第二张图片的格式作为模板

只要替换001直到002、003、……、044

再找下图片总共有多少张,看我标注的count就可以了

这样就可以不用分页去抓取了。

至此,基本分析完毕,开始动手吧

动手实战

因为之前爬取小说网站的积累,写了一个工具类,主要就是用了request请求链接,BeautifulSoup解析网页,ssl解决https问题

工具类代码不一一贴出来了,最后会给个本项目github的地址

1.首先是初始化,建立class

class Capture:

引用自定义工具类

from soup_tool import Soup

from soup_tool import MyThread

然后定义初始化的一些参数

def __init__(self):
self.index_page_url = 'http://www.nvshens.com'
# 作品内容主页
self.one_page_url = 'https://www.nvshens.com/g/:key/'
# root folder
self.folder_path = 'nvshens/'
# 每个线程的沉睡时间
self.sleep_time = 2
# 后缀
self.file_hz = '.img'

2.根据key来检索分析图集主页

接着,我们得将本网页的获取做成动态的,将网址

https://www.nvshens.com/g/24816

中的24816作为搜索key

定义一个方法 readPageFromSearch

def readPageFromSearch(self, search_key):
"""
根据输入key读取搜索页面
:param search_key:
:return:
"""

方法里,第一个事,先建立个根目录

     # 创建文件夹 /nvshens/search_key
path = self.folder_path + search_key
Soup.create_folder(path)

然后打开美女图集第一页,使用soup解析

	 # 打开搜索页面第1页
page_url = self.one_page_url.replace(':key', search_key)
print(page_url)
soup_html = Soup.get_soup(page_url)

从soup中取到id是dinfo的div,然后找到里面的span,获取其中的文本,再处理掉“张照片”几个字,得到最大图片张数

	text_page = soup_html.find("div", {'id': 'dinfo'}).find('span').get_text()
print('text_page', text_page)
last = text_page.replace('张照片', '')
item_size = int(last)

再接着,我们要找到模板,但是第一张照片也不能不管,所以先从第一张获取,我们先看下规律

   # 第1张
https://img.onvshen.com:85/gallery/25366/24816/0.jpg
# 第2张
https://img.onvshen.com:85/gallery/25366/24816/001.jpg
# 第3张
ttps://img.onvshen.com:85/gallery/25366/24816/002.jpg

这样,我们应该就知道怎么办了,取到第一张后,使用soup的find_next_sibling方法获取下一个标签节点

    # 第1张图片
image_one = soup_html.find("ul", {'id': 'hgallery'}).find('img')
image_one_url = image_one.get('src')
print('image_one_url', image_one_url) # 第2张图片链接作为模版
image_two = image_one.find_next_sibling()
image_two_url = image_two.get('src')
print('image_two_url', image_two_url)

然后,根据第二章的url,首先用"/"分割,取最右一组数,得到“24816/001.jpg”,在用"."分割,获取后缀,知道是jpg还是png

    # https://img.onvshen.com:85/gallery/25366/24816/001.jpg
# 24816/001.jpg
img_hz = image_two_url.split("/")[-1]
# jpg
file_hz = img_hz.split('.')[1]
# https://img.onvshen.com:85/gallery/25366
img_mod_url = image_two_url.replace(img_hz, '')

3.多线程读取图片链接

定义readPageByThread 方法

将前面的

  • 最大图片数 item_size
  • 文件存放目录 path
  • 模板url img_mod_url
  • 文件后缀 file_hz

全部作为参数传进来

# 多线程读取,每个图片下载都是一个线程
def readPageByThread(self, item_size, path, img_mod_url, file_hz):
"""
:param item_size: 最大图片数
:param path: 文件存放目录
:param img_mod_url: 模板url
:param file_hz: 文件后缀
:return:
"""

循环 item_size,使用zfill方法左侧补零

    # 循环打开图片链接
for item in range(1, item_size):
# 左侧补零 1->001,2->002,……,114->114
page = str(item + 1).zfill(3)
new_page_url = img_mod_url + page + '.' + file_hz
new_path = path + '/' + page + '.' + file_hz
print(new_path, '---', new_page_url)

使用自定义的多线程方法,将本次线程收集起来,参数传进 readPagetoTxt 方法中

        t = MyThread(self.readPagetoTxt, (new_page_url, new_path, self.sleep_time), self.readPagetoTxt.__name__)
threads.append(t)

开启线程,并join阻塞

    for t in threads:
t.start()
for t in threads:
t.join() print('all end', ctime())

4.读取图片内容并写入

这是本次图片抓取的重点了,在晚上搜索了很多内容,找到以下方法

urllib.request.urlretrieve

亲测,对于破解盗链没有任何作用

那么,真正的破盗链怎么搞呢?搜到了一个哥们的文章

go语言 grequests+goquery 简单爬虫,使用多协程并发爬取

其中有一段代码是这样的

  Headers:map[string]string{
"Referer":"http://www.zngirls.com",
"User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36"}})

这heads不只设置了User-Agent,还有Referer,艾?这是啥?我试试

将Referer设置为咱们的index_page_url(http://www.nvshens.com),果然可以了。为什么呢?

原来Referer表示一个来源,代表是从哪个网站请求web服务器的,我们将Referer设置为http://www.nvshens.com,代表的其实是从它自身网站请求访问的。

具体请参考这个哥们的文章什么是HTTP Referer?

当然,这也主要是这个网站的开发人员只用了Referer来作为防盗链的判断,如果不是Referer而是换成别的,那就又要重新破解了。

好了,写我们的代码吧,为head添加个Referer的属性,这Soup_tool类中

_HEAD2 = {
# Referer 抓取哪个网站的图片,添加此头部,可以破解盗链
"Referer": "",
'Accept-language': 'zh-CN,zh;q=0.9'
,
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'
} @staticmethod
def open_url(query_url, referer=''):
Soup._HEAD2['Referer'] = referer
req = request.Request(quote(query_url, safe='/:?='), headers=Soup._HEAD2)
webpage = request.urlopen(req)
html = webpage.read()
return html @staticmethod
def write_img(query_url, file_name, referer):
content = Soup.open_url(query_url, referer)
with open(file_name, 'wb') as f:
f.write(content)

回到我们的Capture类:

    # 使用Request添加头部的方法,读取图片链接再写入,最重要的是加上Referer
Soup.write_img(page_url, path, referer=self.index_page_url)

后记

还有v0.2、v0.3版本

这是v0.2的分析截图

https://www.nvshens.com/gallery/

https://www.nvshens.com/gallery/dudou/

分析思路是一样的,就不再细说了,自己看源码

看下下载后呈现的效果

最后放出代码链接

github

https://github.com/kiok1210/nvshens_img

参考文献:

go语言 grequests+goquery 简单爬虫,使用多协程并发爬取

什么是HTTP Referer?

python3爬取女神图片,破解盗链问题的更多相关文章

  1. python3爬取1024图片

    这两年python特别火,火到博客园现在也是隔三差五的出现一些python的文章.各种开源软件.各种爬虫算法纷纷开路,作为互联网行业的IT狗自然看的我也是心痒痒,于是趁着这个雾霾横行的周末瞅了两眼,作 ...

  2. python3爬取百度图片(2018年11月3日有效)

    最终目的:能通过输入关键字进行搜索,爬取相应的图片存储到本地或者数据库 首先打开百度图片的网站,搜索任意一个关键字,比如说:水果,得到如下的界面 分析: 1.百度图片搜索结果的页面源代码不包含需要提取 ...

  3. 1、使用Python3爬取美女图片-网站中的每日更新一栏

    此代码是根据网络上其他人的代码优化而成的, 环境准备: pip install lxml pip install bs4 pip install urllib #!/usr/bin/env pytho ...

  4. python3爬取网页图片路径并写入文件

    import reimport urllib.request # 获取网页文件def getHtml(url): response = urllib.request.urlopen('https:// ...

  5. 2、使用Python3爬取美女图片-网站中的妹子自拍一栏

    代码还有待优化,不过目的已经达到了 1.先执行如下代码: #!/usr/bin/env python #-*- coding: utf-8 -*- import urllib import reque ...

  6. Python3 爬取微信好友基本信息,并进行数据清洗

    Python3 爬取微信好友基本信息,并进行数据清洗 1,登录获取好友基础信息: 好友的获取方法为get_friends,将会返回完整的好友列表. 其中每个好友为一个字典 列表的第一项为本人的账号信息 ...

  7. Python:爬取网站图片并保存至本地

    Python:爬取网页图片并保存至本地 python3爬取网页中的图片到本地的过程如下: 1.爬取网页 2.获取图片地址 3.爬取图片内容并保存到本地 实例:爬取百度贴吧首页图片. 代码如下: imp ...

  8. php如何防止图片盗用/盗链的两种方法(转)

    图片防盗链有什么用? 防止其它网站盗用你的图片,浪费你宝贵的流量.本文章向大家介绍php防止图片盗用/盗链的两种方法 Apache图片重定向方法 设置images目录不充许http访问 Apache服 ...

  9. php如何防止图片盗用/盗链的两种方法

    如今的互联网,采集网站非常多,很多网站都喜欢盗链/盗用别人网站的图片,这样不仅侵犯网权,还导致被盗链的网站消耗大量的流量,给服务器造成比较大的压力,本文章向大家介绍php如何防止图片盗用/盗链的两种方 ...

随机推荐

  1. mui手机图片压缩上传+C#

    前台参考网址:http://www.bcty365.com/content-146-3263-1.html <html> <head> <meta charset=&qu ...

  2. 腾讯云python网站开发环境搭建

    前段时间腾讯云做活动,于是就花了几百大洋买了三年的云服务,准备在上 面安装python web的开发环境,下面将安装过程做一个总结,希望能够帮助大家. 一.使用环境   使用的软件环境为:CentOS ...

  3. 20162311张之睿 Linux基础与Java开发环境实验报告

    实验一 Java开发环境的熟悉 实验内容 1.使用JDK编译.运行简单的Java程序: 2.使用Eclipse 编辑.编译.运行.调试Java程序. 实验要求 1.没有Linux基础的同学建议先学习& ...

  4. 201621123031 《Java程序设计》第1周学习总结

    作业01-Java基本概念 1.本周学习总结 1.本周学习内容:Java发展史(简述).Java语言特点.JDK .JRE .JVM .Java的开发步骤.Java开发工具. 2.关键概念之间的联系: ...

  5. bzoj千题计划242:bzoj4034: [HAOI2015]树上操作

    http://www.lydsy.com/JudgeOnline/problem.php?id=4034 dfs序,树链剖分 #include<cstdio> #include<io ...

  6. ThreadLocal就是这么简单

    前言 今天要研究的是ThreadLocal,这个我在一年前学习JavaWeb基础的时候接触过一次,当时在baidu搜出来的第一篇博文ThreadLocal,在评论下很多开发者认为那博主理解错误,给出了 ...

  7. 构建微服务开发环境7————使用Github管理项目代码的版本

    [内容指引] 1.注册GitHub帐号: 2.下载Github Desktop客户端: 3.macOS安装Github Desktop客户端: 4.windows安装Github Desktop客户端 ...

  8. javascript原型链__proto__属性的理解

    在javascript中,按照惯例,构造函数始终都应该以一个大写字母开头,而非构造函数则应该以一个小写字母开头.一个方法使用new操作符创建,例如下面代码块中的Person1(可以吧Person1看做 ...

  9. 在windows环境下安装redis和phpredis的扩展

    在windows环境下安装redis和phpredis的扩展 1.首先配置php: 需要在windows的集成环境中找到php的扩展文件夹,ext,然后在网上寻找自己的php对应的.dll文件 比如说 ...

  10. Javascript 装饰器极速指南

    pablo.png Decorators 是ES7中添加的JavaScript新特性.熟悉Typescript的同学应该更早的接触到这个特性,TypeScript早些时候已经支持Decorators的 ...