爬取妹子图(requests + BeautifulSoup)

　　刚刚入门爬虫，今天先对于单个图集进行爬取，过几天再进行翻页爬取。

　　使用requests库和BeautifulSoup库

　　目标网站：妹子图

今天是对于单个图集的爬取，就选择一个进行爬取，我选择的链接为：http://www.mzitu.com/123114

首先网站的分析，该网站有一定的反爬虫策略，所以应对就是加入headers（目前是小白，目前不知道具体为毛这样做）

Hostreferer = {
    'User-Agent':'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)',
    'Referer':'http://www.mzitu.com'
}
Picreferer = {
    'User-Agent':'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)',
    'Referer':'http://i.meizitu.net'
}

前一个头作为请求网站，后一个头作为破解盗链使用

获得页面HTML代码

用requests库的get方法，加上Hostreferer

def get_html(url):#获得页面html代码
    req = requests.get(url, headers=Hostreferer)
    html = req.text
    return html

获得图集名称以及图集最大页数

分析网页构成如图所示，图集名称包含在h2标签内，且该标签在整个HTML代码里有唯一的class="main-title",

而最大页数只是被span标签包含，无法通过属性来提取。所以提取图集名称采取标签名+属性名一起提取，而最大页数就采取将span标签全部找出，最大页数在span标签中第11位，

def get_page_name(url):#获得图集最大页数和名称
    html = get_html(url)
    soup = BeautifulSoup(html, 'lxml')
    span = soup.findAll('span')
    title = soup.find('h2', class_="main-title")
    return span[10].text, title.text

获得图片url链接

　　分析页面内容，含有图片链接的img标签中有一个alt属性的值是跟图集名称相同，可以用这个来直接找到这个标签，当然也可以先找到div标签中的class属性是main-inage,再找到img的src属性，这里我就采用第一种方法。

def get_img_url(url, name):
    html = get_html(url)
    soup = BeautifulSoup(html, 'lxml')
    img_url = soup.find('img', alt= name)
    return img_url['src']

将图片存入本地

　　得到图片url链接之后要讲图片存到本地，在请求图片url的时候要加入Picreferer，否则网站会认为你是一个爬虫，会返还给你一个盗链图

该方法传入的参数有3个，第一个是图片url，第二个当前图片的页数，用作创建文件，第三个是图集名称，在存储之前先创建了一个名称是图集名称的文件夹，这样就能将图片存入指定文件夹

def save_img(img_url, count, name):
    req = requests.get(img_url, headers=Picreferer)
    with open(name+'/'+str(count)+'.jpg', 'wb') as f:
        f.write(req.content)

爬取一个图集完整代码

import requests
from bs4 import BeautifulSoup
import os
 
Hostreferer = {
    'User-Agent':'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)',
    'Referer':'http://www.mzitu.com'
}
Picreferer = {
    'User-Agent':'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)',
    'Referer':'http://i.meizitu.net'
}
 
def get_page_name(url):#获得图集最大页数和名称
    html = get_html(url)
    soup = BeautifulSoup(html, 'lxml')
    span = soup.findAll('span')
    title = soup.find('h2', class_="main-title")
    return span[10].text, title.text
 
def get_html(url):#获得页面html代码
    req = requests.get(url, headers=Hostreferer)
    html = req.text
    return html
 
def get_img_url(url, name):
    html = get_html(url)
    soup = BeautifulSoup(html, 'lxml')
    img_url = soup.find('img', alt= name)
    return img_url['src']
 
def save_img(img_url, count, name):
    req = requests.get(img_url, headers=Picreferer)
    with open(name+'/'+str(count)+'.jpg', 'wb') as f:
        f.write(req.content)
 
def main():
    old_url = "http://www.mzitu.com/123114"
    page, name = get_page_name(old_url)
    os.mkdir(name)
    for i in range(1, int(page)+1):
        url = old_url + "/" + str(i)
        img_url = get_img_url(url, name)
        #print(img_url)
        save_img(img_url, i, name)
        print('保存第' + str(i) + '张图片成功')
main()

　　在main方法中先请求到图集的名称和最大页数，并且使用名称创建一个文件夹来存储图片。再从1到最大页数做一个for循环，

然后图片的每一页是     图集首页 + / + 当前页数，得到含有图片内容的url链接，后面就可以将得到图片存入本地。

爬取结果

　　文件夹名称即为图集名称，内部图片以页数作为文件名。

下面准备开始多个页面的爬取，先将前面爬取一个图集的方法进行封装

爬取一个图集

在进行爬取一个图集前先加入一个方法，在爬取图集名称的时候，由于名称的字符不限，所以可能出现含有文件夹中不能出现的一些字符，例如：/ \ : ? < > 等

所以需要将前面的代码进行修改，加入一个rename方法，将这些字符换成可行的字符。（在这里我就直接将这些字符去掉）

这里采用re库，将name中含有的非法字符换成空，可以看做直接去掉。

import re
def rename(name):
    rstr = r'[\/\\\:\*\?\<\>\|]'
    new_name = re.sub(rstr, "", name)
    return new_name
 
def save_one_atlas(old_url):
    page, name = get_page_name(old_url)
    new_name = rename(name)
    os.mkdir(new_name)
 
    print("图集--" + name + "--开始保存")
    for i in range(1, int(page)+1):
        url = old_url + "/" + str(i)
        img_url = get_img_url(url, name)
        # print(img_url)
        save_img(img_url, i, name)
        print('正在保存第' + str(i) + '张图片')
    print("图集--" + name + "保存成功")

爬取一整页图集

def get_atlas_list(url):
    req = requests.get(url, headers=Hostreferer)
    soup = BeautifulSoup(req.text, 'lxml')
    atlas = soup.find_all(attrs={'class':'lazy'})
    atlas_list = []
    for atla in atlas:
        atlas_list.append(atla.parent['href'])
    return atlas_list

分析一个页面中的url链接，发现如果找 target="_blank" 这一属性，则会产生很多多余的链接，所以我直接从字标签入手找到属性 class="lazy"的img标签，然后再在寻找到img标签的父标签中的href

def save_one_page(start_url):
    atlas_url = get_atlas_list(start_url)
    for url in atlas_url:
        save_one_atlas(url)

将爬取一整夜图集进行封装，方便后续的翻页爬取

翻页爬取

分析页面url，发现每一页均是初始网址+page/+页数/

第一页是初始网址，但是页数为1的链接也是直接进入第一页，所以所有页的url就可以用以上通式改变页数进行遍历。

start_url = "http://www.mzitu.com/"
    for count in range(1, 3):
        url = start_url + "page/" + str(count) +"/"
        save_one_page(url)

这里作为测试，所以只爬取前两页图集。改变range内的参数，即可改变爬取页数。

完整代码

 import requests
 from bs4 import BeautifulSoup
 import os
 import re
 
 Hostreferer = {
     'User-Agent':'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)',
     'Referer':'http://www.mzitu.com'
 }
 Picreferer = {
     'User-Agent':'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)',
     'Referer':'http://i.meizitu.net'
 }
 
 def get_page_name(url):#获得图集最大页数和名称
     html = get_html(url)
     soup = BeautifulSoup(html, 'lxml')
     span = soup.findAll('span')
     title = soup.find('h2', class_="main-title")
     return span[10].text, title.text
 
 def get_html(url):#获得页面html代码
     req = requests.get(url, headers=Hostreferer)
     html = req.text
     return html
 
 def get_img_url(url, name):
     html = get_html(url)
     soup = BeautifulSoup(html, 'lxml')
     img_url = soup.find('img', alt= name)
     return img_url['src']
 
 def save_img(img_url, count, name):
     req = requests.get(img_url, headers=Picreferer)
     new_name = rename(name)
     with open(new_name+'/'+str(count)+'.jpg', 'wb') as f:
         f.write(req.content)
 
 def rename(name):
     rstr = r'[\/\\\:\*\?\<\>\|]'
     new_name = re.sub(rstr, "", name)
     return new_name
 
 def save_one_atlas(old_url):
     page, name = get_page_name(old_url)
     new_name = rename(name)
     os.mkdir(new_name)
 
     print("图集--" + name + "--开始保存")
     for i in range(1, int(page)+1):
         url = old_url + "/" + str(i)
         img_url = get_img_url(url, name)
         # print(img_url)
         save_img(img_url, i, name)
         print('正在保存第' + str(i) + '张图片')
     print("图集--" + name + "保存成功")
 
 def get_atlas_list(url):
     req = requests.get(url, headers=Hostreferer)
     soup = BeautifulSoup(req.text, 'lxml')
     atlas = soup.find_all(attrs={'class':'lazy'})
     atlas_list = []
     for atla in atlas:
         atlas_list.append(atla.parent['href'])
     return atlas_list
 
 def save_one_page(start_url):
     atlas_url = get_atlas_list(start_url)
     for url in atlas_url:
         save_one_atlas(url)
 
 if __name__ == '__main__':
     start_url = "http://www.mzitu.com/"
     for count in range(1, 3):
         url = start_url + "page/" + str(count) +"/"
         save_one_page(url)
     print("爬取完成")

这个程序能够爬取图片，但是效率太低，正在学习多进程，希望之后可以提高该程序的爬取效率。

我爬了3个多G的图片花了我接近4个小时，足以证明效率是真的低。

并且在爬取过程中出现一个问题，提示 你的主机中的软件中止了一个已建立的连接 ，这个问题还未找到解决方法，也未找明产生的具体原因。

这是我写的第一篇较长的博客，还有很多未完善的地方，希望大家见谅。