【Python56--爬取妹子图】

爬取网站的思路

第一步：首先分析爬取网站的连接地址特性，发现翻页图片的时候连接：http://www.mmjpg.com/mm/1570  ，http://www.mmjpg.com/mm/1569，只有后面的数字会变化

第二步：然后翻页1，2，3，用检查（查看源代码）来获取翻页的数字

第三步：查看图片的地址，保存后并写入文件内

思路就是这样的一个思路，具体用代码梳理具体的思路

第一步：

首先写一个主函数：包括：url，url后面的索引：index(1570)，翻页(1，2)，下载的图片地址；并且采用函数封装的思路

def main(index):
    #1、写url地址
    main_url = 'http://www.mmjpg.com/mm/%s' % index
    #2、获取翻页地址，写一个get_page()函数
    page = get_page(main_url)
    if os.path.exists(path) != True:
        os.mkdir(path) #创建工作目录
        #print(path)
    else:
        os.chdir(path) #切换到工作目录
    #3、遍历所有页，获取图片的地址
    for i in range(1, int(page) + 1):
        url = '%s/%s' % (main_url, i)
        try:
            get_img(url)  #获取图片地址
        except Exception as e:
            raise e

第二步：

抓取index，用函数封装写

1、用网页检查拿到1570的html
''''
 <li><a href="http://www.mmjpg.com/mm/1570" target="_blank">切出来1570这个数字
 '''
#获取http://www.mmjpg.com/mm/1570的index:如：1570，1569
def get_index():
    #2、获取网页的html
    r = requests.get('http://www.mmjpg.com', headers=headers)
    r.encoding = 'utf-8'
    html = r.text
 
    #3、etree.HTML():构造了一个XPath解析对象并对HTML文本进行自动修正。
    #etree.tostring()：输出修正后的结果，类型是bytes
    selector = etree.HTML(html)
    #4、获取<li><a标签下的内容，[0]取第一个
    content = selector.xpath('//li/a')[0]
    #5、继续取href的内容，[0]取第一个：即：http://www.mmjpg.com/mm/1570
    num = content.xpath('@href')[0]
    #6、已斜杠为切片，获取不同的字符，即：['http:', '', 'www.mmjpg.com', 'mm', '1570']
    num = num.split('/')
    #7、取num最后一个字符，并强制转换成整形
    num = int(num[-1])
    #返回所有的index:1570,1569
    return range(1, num + 1)
    # for each in range(1,num+1):
    #     print(each)

第三步：

获取翻页的1，2，3

#1、鼠标放到翻页的1上面右键检查，得到以下内容
'''
<div class="page" id="page">
  <em class="ch preno">没有了</em>
  <em>1</em>
  <a href="/mm/1570/2">2</a>
  <a href="/mm/1570/3">3</a>
  <a href="/mm/1570/4">4</a>
  <a href="/mm/1570/5">5</a>
  <a href="/mm/1570/6">6</a>
  <i>
  </i>
  <a href="/mm/1570/50">50</a>
  <em class="ch all" id="opic" onclick="openall(1);">全部图片</em>
  <a href="/mm/1570/2" class="ch next">下一张</a></div>
'''
def get_page(url):
    r = requests.get(url, headers=headers)
    r.encoding = 'utf-8'
    html = r.text
 
    selector = etree.HTML(html)
    #2、获取所有页：1、2...50、下一页，即获取下面<a>2<a>的2，3，4，5，6...50
    page = selector.xpath('//div[@id="page"]/a/text()')[-2]

第四步：

获取图片地址

#1、鼠标放到图片上，右键检查，获取以下内容
'''
<div class="content" id="content">
  <a href="http://www.mmjpg.com/mm/1570/2">
    <img src="http://fm.shiyunjj.com/2018/1570/1i28.jpg" data-img="http://fm.shiyunjj.com/2018/1570/1i28.jpg" alt="萌味十足的小尤奈雪白胴体相当性感"></a>
</div>
'''
#通过图片的地址来获取图片
def get_img(url):
    r = requests.get(url, headers=headers)
    r.encoding = 'utf-8'
    html = r.text
    selector = etree.HTML(html)
    try:
        #2、取img标签下的内容
        content = selector.xpath('//div[@id="content"]/a/img')[0]
        #3、获取图片url地址
        img_url = content.xpath('@src')[0]
        #4、取图片名字
        title = content.xpath('@alt')[0]
        #5、 #保存标题和对应的url地址
        sav_img(title, img_url)
    except Exception as e:
        print('Erro!!!')
        pass        

第六步：

编写__name__

if __name__ == '__main__':
    indexs = get_index()
    #reversed()函数是返回序列seq的反向访问的迭代子,因为get_index()返回的是1570，1569，1568这样的序列，反向就是从1568，1569，1570
    for index in reversed(indexs):
        main(index)

完整的代码如下：

import requests
import os
from lxml import etree
 
headers = {
    'Referer': 'http://www.mmjpg.com/mm/',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36'
}
 
#返回当前进程的工作目录
path = os.getcwd() + '\img'
 
def get_index():
    r = requests.get('http://www.mmjpg.com',headers = headers)
    r.encoding= 'utf-8'
    html = r.text
 
    selector = etree.HTML(html)
    content = selector.xpath('//li/a')[0]
    num = content.xpath('@href')[0]
    num = num.split('/')
    num = int(num[-1])
    return range(1,num+1)
 
def get_page(url):
    r = requests.get(url,headers=headers)
    r.encoding = 'utf-8'
    html = r.text
 
    selector = etree.HTML(html)
    page = selector.xpath('//div[@id="page"]/a/text()')[-2]
    return (page)
 
def get_img(url):
    r = requests.get(url,headers=headers)
    r.encoding = 'utf-8'
    html = r.text
 
    selector = etree.HTML(html)
    try:
        content = selector.xpath('//div[@id = "content"]/a/img')[0]
        img_url = content.xpath('@src')[0]
        title = content.xpath('@alt')[0]
        save_img(title,img_url)
    except Exception as e:
        print('Erro!!!')
        pass
 
def save_img(name,url):
    name = name + '.jpg'
    if name in os.listdir(path):
        print('重复文件')
    else:
        r = requests.get(url,headers=headers)
        with open(name,'wb') as f:
            f.write(r.content)
        print(name)
 
def main(index):
    main_url = 'http://www.mmjpg.com/mm/%s'%index
    page = get_page(main_url)
    if os.path.exists(path)!= True:
        os.mkdir(path)
    else:
        os.chdir(path)
 
    for i in range(1,int(page)+1):
        url = '%s/%s'%(main_url,i)
        try:
            get_img(url)
        except Exception as e:
            raise e
 
if __name__ == '__main__':
    index = get_index()
    for index in reversed(index):
        main(index)