selenium爬取煎蛋网
selenium爬取煎蛋网
直接上代码
- from selenium import webdriver
- from selenium.webdriver.support.ui import WebDriverWait
- from selenium.webdriver.common.by import By
- from selenium.webdriver.support import expected_conditions as ES
- import requests
- import urllib.request
- import os
- from lxml import etree
- t = 0
- class Custer(object):
- driver_path = r"D:\Program Files (x86)\Google\Chrome\Application\chromedriver.exe"
- def __init__(self):
- self.driver = webdriver.Chrome(executable_path=self.driver_path)
- self.url = "http://jandan.net/ooxx"
- def run(self):
- self.driver.get(self.url)
- while True:
- all_source = self.driver.page_source
- html = etree.HTML(all_source)
- self.xqy(html)
- WebDriverWait(self.driver,10).until(
- ES.presence_of_element_located((By.XPATH,"//div[@class='cp-pagenavi']/a[last()]"))
- )
- try:
- Btn = self.driver.find_element_by_xpath("//div[@class='cp-pagenavi']/a[last()]")
- if "Older Comments" in Btn.get_attribute("title"):
- Btn.click()
- else:
- break
- except:
- print("出现异常")
- def xqy(self,html):
- all_content = html.xpath("//div[@class='row']//div")
- all_author = all_content[0].xpath("//div[@class='author']/strong/text()") #作者列表
- #*****************给自己的重点**********************
- #给列表重复元素加工 如果不加工进入字典会少很多元素
- for index,item in enumerate(all_author):
- global t
- if item in all_author[0:index]: #判断当前元素是否与之前元素重复 如果重复,则重命名
- t=t+1
- all_author[index] = item+str(t) #如多个重命名使作者加上字符1 依次类推
- #***************************************************
- WebDriverWait(self.driver, 10).until(
- ES.presence_of_element_located((By.XPATH, "//div[@class='text']//img"))
- )
- all_img = all_content[1].xpath("//div[@class='text']//img//@src") #图片列表
- #解决有个张图片没有http:协议
- for index,item in enumerate(all_img):
- if 'http:' not in item:
- all_img[index] = 'http:'+item
- dic = dict(zip(all_author,all_img)) #多个列表生产字典
- #遍历字典保存图片
- for key in dic:
- hz = os.path.splitext(dic[key])[1] #取出后缀名.jpg/.png
- filename = key+hz #文件名(标题+后缀名)
- urllib.request.urlretrieve(dic[key],'images/'+filename)
- def main():
- rea = Custer()
- rea.run()
- if __name__ == '__main__':
- main()
爬取的图片
进阶
个人用了个多线程 但不知道是不是多线程爬取 感觉爬取速度快多了
- from selenium import webdriver
- from selenium.webdriver.support.ui import WebDriverWait
- from selenium.webdriver.common.by import By
- from selenium.webdriver.support import expected_conditions as ES
- import requests
- import threading
- import urllib.request
- import os
- from lxml import etree
- t = 0
- gCondition = threading.Condition()
- class Custer(threading.Thread):
- driver_path = r"D:\Program Files (x86)\Google\Chrome\Application\chromedriver.exe"
- driver = webdriver.Chrome(executable_path=driver_path)
- url = "http://jandan.net/ooxx"
- def run(self):
- self.driver.get(self.url)
- while True:
- all_source = self.driver.page_source
- html = etree.HTML(all_source)
- self.xqy(html)
- WebDriverWait(self.driver,10).until(
- ES.presence_of_element_located((By.XPATH,"//div[@class='cp-pagenavi']/a[last()]"))
- )
- gCondition.acquire() #加上锁(如果不加锁那么多个线程可能同时请求一个或多个图片)
- try:
- Btn = self.driver.find_element_by_xpath("//div[@class='cp-pagenavi']/a[last()]")
- if "Older Comments" in Btn.get_attribute("title"):
- gCondition.release() #解锁
- Btn.click()
- else:
- break
- except:
- print("出现异常")
- def xqy(self,html):
- all_content = html.xpath("//div[@class='row']//div")
- all_author = all_content[0].xpath("//div[@class='author']/strong/text()") #作者列表
- #*****************给自己的重点**********************
- #给列表重复元素加工 如果不加工进入字典会少很多元素
- for index,item in enumerate(all_author):
- global t
- if item in all_author[0:index]: #判断当前元素是否与之前元素重复 如果重复,则重命名
- t=t+1
- all_author[index] = item+str(t) #如多个重命名使作者加上字符 依次类推
- #***************************************************
- WebDriverWait(self.driver, 10).until(
- ES.presence_of_element_located((By.XPATH, "//div[@class='text']//img"))
- )
- all_img = all_content[1].xpath("//div[@class='text']//img//@src") #图片列表
- #解决有个张图片没有http:协议
- for index,item in enumerate(all_img):
- if 'http:' not in item:
- all_img[index] = 'http:'+item
- dic = dict(zip(all_author,all_img)) #多个列表生产字典
- #遍历字典保存图片
- for key in dic:
- hz = os.path.splitext(dic[key])[1] #取出后缀名.jpg/.png
- filename = key+hz #文件名(标题+后缀名)
- urllib.request.urlretrieve(dic[key],'images/'+filename)
- def main():
- for i in range(9):
- rea = Custer()
- rea.start()
- if __name__ == '__main__':
- main()
selenium爬取煎蛋网的更多相关文章
- Python Scrapy 爬取煎蛋网妹子图实例(一)
前面介绍了爬虫框架的一个实例,那个比较简单,这里在介绍一个实例 爬取 煎蛋网 妹子图,遗憾的是 上周煎蛋网还有妹子图了,但是这周妹子图变成了 随手拍, 不过没关系,我们爬图的目的是为了加强实战应用,管 ...
- python3爬虫爬取煎蛋网妹纸图片(上篇)
其实之前实现过这个功能,是使用selenium模拟浏览器页面点击来完成的,但是效率实际上相对来说较低.本次以解密参数来完成爬取的过程. 首先打开煎蛋网http://jandan.net/ooxx,查看 ...
- 爬虫实例——爬取煎蛋网OOXX频道(反反爬虫——伪装成浏览器)
煎蛋网在反爬虫方面做了不少工作,无法通过正常的方式爬取,比如用下面这段代码爬取无法得到我们想要的源代码. import requests url = 'http://jandan.net/ooxx' ...
- Python 爬虫 爬取 煎蛋网 图片
今天, 试着爬取了煎蛋网的图片. 用到的包: urllib.request os 分别使用几个函数,来控制下载的图片的页数,获取图片的网页,获取网页页数以及保存图片到本地.过程简单清晰明了 直接上源代 ...
- python爬虫–爬取煎蛋网妹子图片
前几天刚学了python网络编程,书里没什么实践项目,只好到网上找点东西做. 一直对爬虫很好奇,所以不妨从爬虫先入手吧. Python版本:3.6 这是我看的教程:Python - Jack -Cui ...
- scrapy从安装到爬取煎蛋网图片
下载地址:https://www.lfd.uci.edu/~gohlke/pythonlibs/pip install wheelpip install lxmlpip install pyopens ...
- python3爬虫爬取煎蛋网妹纸图片(下篇)2018.6.25有效
分析完了真实图片链接地址,下面要做的就是写代码去实现了.想直接看源代码的可以点击这里 大致思路是:获取一个页面的的html---->使用正则表达式提取出图片hash值并进行base64解码--- ...
- Python Scrapy 爬取煎蛋网妹子图实例(二)
上篇已经介绍了 图片的爬取,后来觉得不太好,每次爬取的图片 都在一个文件下,不方便区分,且数据库中没有爬取的时间标识,不方便后续查看 数据时何时爬取的,所以这里进行了局部修改 修改一:修改爬虫执行方式 ...
- Python 爬取煎蛋网妹子图片
#!/usr/bin/env python # -*- coding: utf-8 -*- # @Date : 2017-08-24 10:17:28 # @Author : EnderZhou (z ...
随机推荐
- JavaScript DOM 高级程序设计读书笔记一
创建可重用的对象 简而言之,对象就是包含一组变量(称为属性)和函数(称为方法)的集合的实例.对象通常由类派生而来,而类中定义了对象拥有的属性和方法.如果你的脚本中都是对象之间的交互操作,那么就可以称之 ...
- js 里面的各种类型转换
1:Object 对象在转换为 number 类型时,首先会调用 valueOf 方法,然后再调用 toString 方法,否则会抛出异常. 对象在转换为 string 类型时,首先会调用 toStr ...
- python12--字符串的比较 函数的默认值的细节 三元表达式 函数对象 名称空间 作用域 列表与字典的推导式 四则运算 函数的嵌套
复习 1.字符串的比较; 2.函数的参数; ******实参与形参的分类: 3.函数的嵌套调用: # 字符串的比较# -- 按照从左往右比较每一个字符,通过字符对应的ascii进行比较 ...
- 运行selenium脚本,报seleneium common exception.SessionNotCreatedException:Message:Unable to find a matching set of capabilities错误
- Kubernetes之dashboard
部署dashboard $ wget https://raw.githubusercontent.com/kubernetes/dashboard/master/src/deploy/recommen ...
- [源码分析]AbstractStringBuilder
[源码分析]AbstractStringBuilder Java中, AbstractStringBuilder是 StringBuilder 和 StringBuffer 的父类. 所以了解Stri ...
- RAID 划分
RAID0:N块盘组成,逻辑容量为N块盘容量之和:RAID1:两块盘组成,逻辑容量为一块盘容量:RAID3:N+1块盘组成,逻辑容量为N块盘容量之和:RAID5:N块盘组成,逻辑容量为N-1块盘容量之 ...
- 使用antd Table + mobx 处理数组 出现的一系列问题
在store中定义了一个数组: @observable list = [...] 若是在table组件中直接使用list: <Table className={styles.table} col ...
- luogu P5323 [BJOI2019]光线
传送门 先考虑\(n=1\)的情况不是输入数据都告诉你了吗 然后考虑\(n=2\),可以光线是在弹来弹去的废话,然后射出去的光线是个等比数列求和的形式,也就是\(x_1\sum_{i=1}^{\inf ...
- sqlmap注入入门
sqlmap注入入门 sqlmap的用法: linux中: sqlmap [选项] Windows中: python sqlmap [选项] 常用的参数及含义: 目标 -d DIRECT ...