【一、项目背景】
博海拾贝是一支互联网从业者在线教育的团队,扎根于中国教育行业以及互联网行业的创新和眼球中,打造专业体系化的互联网人在线教育平台。精心创作许多精彩的文章,提供了很多有趣的图片。
今天来教大家如何使用Python来爬取博海拾贝的图片,分类保存,写入文档。
【二、项目目标】
创建一个文件夹, 分类保存所有文章图片。下载成功,结果显示控制台。
【三、项目分析】
1、如何找到真正访问的地址,多网页请求?
滑动鼠标,观察网站,右键F12 。鼠标滚轮滑动加载新内容。如图:
点开随机网页 , 点开Request URL ,观察网址的规律。
https://bh.sb/page/1/
https://bh.sb/page/2/
https://bh.sb/page/3/
https://bh.sb/page/4/
观察到,每增加一页page/{}/自增加1,用{}代替变换的变量,再用for循环遍历这网址,实现多个网址请求。
2. 反爬处理
1)获取正常的 http请求头,并在requests请求时,设置这些常规的http请求头。
2)使用 fake_useragent ,产生随机的UserAgent进行访问。
【四、涉及的库和网站】
1、网址如下:
https:
2、涉及的库:requests、lxml、fake_useragent、time、os
3、软件:PyCharm
【五、项目实施】
1、我们定义一个class类继承object,然后定义init方法继承self,再定义一个主函数main继承self。导入需要的库和网址,创建保存文件夹。
import requests, os
from lxml import etree
from fake_useragent import UserAgent
import timeclass bnotiank(object): def __init__(self):
os.mkdir("图片")
2、随机UserAgent ,构造请求头,防止反爬。
ua = UserAgent(verify_ssl=False)
for i in range(1, 50):
self.headers = { 'User-Agent': ua.random
}
3、发送请求 ,获取响应,页面回调,方便下次请求。
'''发送请求 获取响应'''
def get_page(self, url):
res = requests.get(url=url, headers=self.headers) html = res.content.decode("utf-8")
return html
4、定义parse_page函数,获取二级页面地址,for遍历获取需要的字段。
def parse_page(self, html):
parse_html = etree.HTML(html) image_src_list = parse_html.xpath('//p/a/@href')
5、对二级页面发生请求,xpath解析数据,获取大图片链接。
reo = parse_html1.xpath('//div//div[@class="content"]')
6、请求图片地址,写入文档。
html2 = requests.get(url=d, headers=self.headers).content
dirname = "./d/" + text + ".jpg" #定义图命名
with open(dirname, 'wb') as f:
f.write(html2) print("%s 【下载成功!!!!】" % text)
7、调用方法,实现功能。
url = self.url.format(page)
print(url)
html = self.get_page(url)
self.parse_page(html)
8、设置延时。(防止ip被封)。
time.sleep(1) """时间延时"""
【六、效果展示】
1、点击绿色小三角运行输入起始页,终止页。
2、将下载成功信息显示在控制台。
3、text 作为图片命名,展示效果如下所示。
【七、总结】
1、不建议抓取太多数据,容易对服务器造成负载,浅尝辄止即可。
2、本文基于Python网络爬虫,讲述了反爬技巧,利用爬虫库,实现了分类图片的获取,存入文档。
3、希望通过这个项目,能够帮助了解xpath,字符串是如何拼接,format函数如何运用。
4、实现的时候,总会有各种各样的问题,切勿眼高手低,勤动手,才可以理解的更加深刻。
5、需要本文源码的小伙伴,后台回复“博海拾贝”四个字,即可获取。
想学习更多Python网络爬虫与数据挖掘知识,可前往专业网站:http://pdcfighting.com/