Python协程爬取妹子图(内有福利，你懂得~)

项目说明：

　　1、项目介绍

　　　  本项目使用Python提供的协程+scrapy中的选择器的使用(相当好用)实现爬取妹子图的(福利图)图片，这个学会了，某榴什么的、pow(2, 10)是吧！

　　2、用到的知识点

　　　  本项目中会用到以下知识点

　　　　① Python的编程(本人使用版本3.6.2)

　　　　② 使用scrapy中的css选择器

　　　　③ 使用async协程

　　　　④ 使用aiohttp异步访问url

　　　　⑤ 使用aiofiles异步保存文件

　　3、 项目效果图

项目实现：

　　我们最终的目的是把图片的标题替换成需要保存的目录，下面的图片呢，就按着网页上图片的名称保存~，有了这个需求以后，ok，社会我demon哥，人很话不多，开干！

　　 我们需要网站的入口，入口如下~就爬取萌妹子吧！

　　 妹子图中萌妹分类的网站入口：http://www.meizitu.com/a/cute.html　　

　　 打开萌妹子的入口链接以后，我们需要分析下网页中结构，然后通过分析页面，获取我们有用的内容：

　　 通过入口我们得知，url地址中，有两个我们需要关系的点，一个是妹子图的妹子类型，一个是要获取页面的页码，如果获取多页的话，也就是替换成不同的页码即可(图如下)

　　  

　　 分析完上面的页面以后，我们在来分析当前页中需要提取的信息 ，使用Chrome浏览器打开开发者模式(windows是F12，MacOS是command+option+i)

　  　

　　  点击刚刚选中妹子的url的地址，我们在来分析这里面的有用信息

　　   

　　 信息提取就到这里，我们下面需要使用css选择器，提取url然后开始写方法，来下载这些图片

　　 没有安装的scrapy的赶紧去pip3 install scrapy一下，要么您老就右上角的小叉叉退出吧~ 不然没办法进行了！

　　  Scrapy提供一个Shell的参数命令了，在这个参数后面加上你要提取页面中的url地址，就可以进入到scrapy shell中，在里面可以通过css xpath选择器调试提取信息，用法如下：

　　  在终端输入: scrapy shell http://www.meizitu.com/a/cute.html

　  　

　　 出现上面的即可，这里面有个response，我们可以通过response.css或者reponses.xpath获取url的数据，ok..我这里使用css来提取，为嘛?! 简单呗~

　　  css的具体语法嘛~~大家不会的话，可以自行百度，或者去菜鸟站补一补知识，我这人比较懒，我就不讲了！直接告诉你们怎么提取吧~可以通过Chrome给我提供的开发者工具来获取css选择器的表达式，请看下图

　　   

　　 上面图的图很眼熟对吧，嗯，这是哪个主页图，我们需要在当前页面中获取所有妹子的url地址，然后在进入到每个妹子的url地址中获取这个妹子的所有图片！首先先来获取当前页面的所有妹子的url地址，切换到scrap shell中，通过response.css来提取信息

　　 提取妹子的url地址:  response.css('#maincontent a::attr(href)').extract()

　　

　　 嘿~，当前页面的中的所有妹子的url都有了，那就好办了呀，在进入这些地址中逐个获取妹子独立页面中的url地址，然后下载就好咯！但是，大家有木有发现，这些页面中的url有重复的，怎么办呢，用set可以去重哦，先来写个获取当前页面的简单的方法，一会我们在修改这个方法。

 import requests
 from scrapy import Selector

 def get_page_items(*, start_page_num: int=1, end_page_num: int=2, step: int=1):
     items = []
     for page_num in range(start_page_num, end_page_num, step):
         base_url = 'http://www.meizitu.com/a/{genre}_{page_num}.html'
         req = requests.get(base_url.format(genre='cute', page_num=1))
         content = req.content.decode('gbk')
         selector = Selector(text=content)
         item_urls = list(set(selector.css('#maincontent a::attr(href)').extract()))
         items.extend(url for url in item_urls if url.startswith('http://www.meizitu.com/a/'))
     return items

 print(get_page_items())

上面的代码可以供我们拿下指定页面中的所有漂亮小姐姐的url地址哦~，有了这些漂亮小姐姐的url，进入这个url以后，在提取小姐姐页面的所有url就可以下载啦~！

 import requests
 from scrapy import Selector

 def get_page_items(*, start_page_num: int=1, end_page_num: int=2, step: int=1):
     items = []
     for page_num in range(start_page_num, end_page_num, step):
         base_url = 'http://www.meizitu.com/a/{genre}_{page_num}.html'
         req = requests.get(base_url.format(genre='cute', page_num=1))
         content = req.content.decode('gbk')
         selector = Selector(text=content)
         item_urls = list(set(selector.css('#maincontent a::attr(href)').extract()))
         items.extend(url for url in item_urls if url.startswith('http://www.meizitu.com/a/'))
     return items

 def get_images(item):
     req = requests.get(item)
     content = req.content.decode('gbk')
     selector = Selector(text=content)
     image_urls = list(set(selector.css('#maincontent p img::attr(src)').extract()))
     print(image_urls)

 for item in get_page_items():
     get_images(item)

上面代码执行的结果为：

可以看到的效果，所有小姐姐的下载图片的地址都已经拿到了，但是上面的代码有两个问题，聪明的小伙伴，可能已经发现了，上面代码的重合性太高，那些获取url的咚咚，都可以整合，在下面的一版，我们来改写这个函数，有了这些图片的地址，我们只需要调取某个函数或者方法，来下载这些图片保存到本地即可，怎么玩?! 往下看.....

 # _*_coding: utf-8_*_
 import os
 from time import perf_counter
 from functools import wraps

 import requests
 from scrapy import Selector
 """
 -------------------------------------------------
    File Name：     妹子图_串行
    Description :
    Author :        demon
    date：          06/10/2017
 -------------------------------------------------
    Change Activity:
                    06/10/2017:
 -------------------------------------------------
 """
 __author__ = 'demon'

 def timer(func):
     """
     :param func: 装饰器的函数，记录方法所消耗的时间
     :return:
     """
     @wraps(func)
     def wrapper(*args, **kwargs):
         start_time = perf_counter()
         result = func(*args, **kwargs)
         end_time = perf_counter()
         cls_name = func.__name__
         fmt = '{cls_name} {args} spend time: {time:.5f}'
         print(fmt.format(cls_name=cls_name, args=args, time=end_time - start_time))
         return result
     return wrapper

 def get_content_css(url):
     req = requests.get(url)
     content = req.content.decode('gbk')
     selector = Selector(text=content)
     return selector

 def get_page_items(*, start_page_num: int=1, end_page_num: int=2, step: int=1):
     items = []
     for page_num in range(start_page_num, end_page_num, step):
         base_url = 'http://www.meizitu.com/a/{genre}_{page_num}.html'
         selector = get_content_css(base_url.format(genre='cute', page_num=page_num))
         item_urls = list(set(selector.css('#maincontent a::attr(href)').extract()))
         items.extend(url for url in item_urls if url.startswith('http://www.meizitu.com/a/'))
     return items

 def get_images(item):
     selector = get_content_css(item)
     image_urls = list(set(selector.css('#maincontent p img::attr(src)').extract()))
     dir_name = selector.css('#maincontent div.metaRight h2 a::text').extract_first()
     'ok' if os.path.exists(dir_name) else os.mkdir(dir_name)
     for url in image_urls:
         download_image(dir_name, url)

 @timer
 def download_image(dir_name, image_url):
     headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_0) '
                              'AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'}
     req = requests.get(image_url, headers=headers)
     image = req.content
     filename = image_url.rsplit('/', 1)[-1]
     save_path = os.path.join(dir_name, filename)
     with open(save_path, 'wb') as f:
         f.write(image)

 if __name__ == "__main__":
     start = perf_counter()
     for item in get_page_items():
         get_images(item)
     end = perf_counter()
     print(format('end', '*^100'))
     print('download all images cost time:{:.3f}'.format(end - start))

上面的代码可以保证图片保存到本地，那么基本的代码逻辑没有问题了，保存文件(download_image)也实现了~， 但是  但是这不是我们想要的效果，这玩意很慢的，一个一个并行下来的，要TMD天荒地老呀！

卧槽，不能忍受呀，一个页面就要用121秒的时间，这尼玛的要是10页20页的不得疯了呀！一定要改，改代码，改成协程~，以下是三页的数据才用时190秒呀，提升了不是一点半点呀！

说干就干，改成协程，直接上全部代码吧！因为...我懒得...写了，这篇博客...写了将近五个小时了...卧槽！要疯了~

 # _*_coding: utf-8_*_
 import os
 import asyncio
 from functools import wraps
 from time import perf_counter

 import aiohttp
 import aiofiles
 from scrapy import Selector
 """
 -------------------------------------------------
    File Name：     妹子图
    Description :
    Author :        demon
    date：          06/10/2017
 -------------------------------------------------
    Change Activity:
                    06/10/2017:
 -------------------------------------------------
 """
 __author__ = 'demon'

 def timer(func):
     """
     :param func: 装饰器的函数，记录方法所消耗的时间
     :return:
     """
     @wraps(func)
     def wrapper(*args, **kwargs):
         start_time = perf_counter()
         result = func(*args, **kwargs)
         end_time = perf_counter()
         cls_name = func.__name__
         print('{cls_name} spend time: {time:.5f}'.format(cls_name=cls_name, time=end_time - start_time))
         return result
     return wrapper

 class MeiZiTuDownload:
     def __init__(self, *, genre: str='cute', start_page_num: int=1, end_page_num: int=5, step: int=1):
         self.base_url = 'http://www.meizitu.com/a/{genre}_{page_num}.html'
         self.start_num = start_page_num
         self.end_num = end_page_num
         self.step = step
         self.genre = genre
         self.headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_0) '
                                       'AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'}

     async def get_html_content(self, url: str):
         """
         :param url: 网页的url地址
         :return:    网页的html源码
         """
         req = await aiohttp.request('GET', url, headers=self.headers)
         content = await req.read()
         content = content.decode('gbk')
         return content

     async def get_page_item(self, page_num: int):
         """
         :param page_num: 获取网页中的每一页中的具体的url地址
         :return:
         """
         item_url = self.base_url.format(genre=self.genre, page_num=page_num)
         content = await self.get_html_content(item_url)
         selector = Selector(text=content)
         urls = list(set(selector.css('#maincontent a::attr(href)').extract()))
         page_items = (url for url in urls if url.startswith('http://www.meizitu.com/a/'))
         for item in page_items:
             await self.get_item(item)

     async def get_item(self, item: str):
         """
         :param item: 单独的下载页面
         :return:
         """
         item_content = await self.get_html_content(item)
         selector = Selector(text=item_content)
         dir_name = selector.css('#maincontent div.metaRight h2 a::text').extract_first()
         image_urls = selector.css('#picture p img::attr(src)').extract()
         'ok' if os.path.exists(dir_name) else os.mkdir(dir_name)
         for image_url in image_urls:
             image_name = image_url.rsplit('/', 1)[-1]
             save_path = os.path.join(dir_name, image_name)
             await self.download_images(save_path, image_url)

     async def download_images(self, save_path: str, image_url: str):
         """
         :param save_path: 保存图片的路径
         :param image_url: 图片的下载的url地址
         :return:
         """
         req = await aiohttp.request('GET', image_url, headers=self.headers)
         image = await req.read()
         fp = await aiofiles.open(save_path, 'wb')
         await fp.write(image)

     async def __call__(self, page_num: int):
         await self.get_page_item(page_num)

     def __repr__(self):
         cls_name = type(self).__name__
         return '{cls_name}{args}'.format(cls_name=cls_name, args=(self.genre, self.start_num, self.end_num, self.step))

 if __name__ == "__main__":
     start = perf_counter()
     download = MeiZiTuDownload(genre='cute')
     loop = asyncio.get_event_loop()
     to_do = [download(num) for num in range(1, 4)]
     wait_future = asyncio.wait(to_do)
     resp, _ = loop.run_until_complete(wait_future)
     loop.close()
     end = perf_counter()
     func_name = download.__class__.__name__
     spend_time = end - start
     print(format('end', '*^100'))
     print('{func_name} spend time: {time:.5f}'.format(func_name=func_name, time=spend_time))

协程的使用，大家移步到廖大神的哪里学习下吧~~~，我就不讲了...不然我要疯了...我要看会电影，缓一会。

廖大神博客地址：https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/001432090171191d05dae6e129940518d1d6cf6eeaaa969000