摘要：爬蟲分析首先，我們已經(jīng)爬取到了多的用戶個人主頁，我通過鏈接拼接獲取到了在這個頁面中，咱們要找?guī)讉€核心的關鍵點，發(fā)現(xiàn)平面拍攝點擊進入的是圖片列表頁面。

上一篇寫的時間有點長了，接下來繼續(xù)把美空網(wǎng)的爬蟲寫完，這套教程中編寫的爬蟲在實際的工作中可能并不能給你增加多少有價值的技術點，因為它只是一套入門的教程，老鳥你自動繞過就可以了，或者帶帶我也行。

首先，我們已經(jīng)爬取到了N多的用戶個人主頁，我通過鏈接拼接獲取到了

http://www.moko.cc/post/da39d...

在這個頁面中，咱們要找?guī)讉€核心的關鍵點，發(fā)現(xiàn)平面拍攝點擊進入的是圖片列表頁面。
接下來開始代碼走起。

我通過上篇博客已經(jīng)獲取到了70000（實際測試50000+）用戶數(shù)據(jù)，讀取到python中。

這個地方，我使用了一個比較好用的python庫pandas，大家如果不熟悉，先模仿我的代碼就可以了，我把注釋都寫完整。

import pandas as pd

# 用戶圖片列表頁模板
user_list_url = "http://www.moko.cc/post/{}/list.html"
# 存放所有用戶的列表頁
user_profiles = []


def read_data():
    # pandas從csv里面讀取數(shù)據(jù)
    df = pd.read_csv("./moko70000.csv")   #文件在本文末尾可以下載
    # 去掉昵稱重復的數(shù)據(jù)
    df = df.drop_duplicates(["nikename"])
    # 按照粉絲數(shù)目進行降序
    profiles = df.sort_values("follows", ascending=False)["profile"]

    for i in profiles:
        # 拼接鏈接
        user_profiles.append(user_list_url.format(i))

if __name__ == "__main__":
    read_data()
    print(user_profiles)

數(shù)據(jù)已經(jīng)拿到，接下來我們需要獲取圖片列表頁面，找一下規(guī)律，看到重點的信息如下所示，找對位置，就是正則表達式的事情了。

快速的編寫一個正則表達式

.*?((d+?))

引入re,requests模塊

import requests
import re

# 獲取圖片列表頁面
def get_img_list_page():
    # 固定一個地址，方便測試
    test_url = "http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/list.html"
    response = requests.get(test_url,headers=headers,timeout=3)
    page_text = response.text
    pattern = re.compile("
.*?((d+?))
")
    # 獲取page_list
    page_list = pattern.findall(page_text)

運行得到結果

[("/post/da39db43246047c79dcaef44c201492d/category/304475/1.html", "85"), ("/post/da39db43246047c79dcaef44c201492d/category/304476/1.html", "2"), ("/post/da39db43246047c79dcaef44c201492d/category/304473/1.html", "0")]

繼續(xù)完善代碼，我們發(fā)現(xiàn)上面獲取的數(shù)據(jù)，有"0"的產(chǎn)生，需要過濾掉

# 獲取圖片列表頁面
def get_img_list_page():
    # 固定一個地址，方便測試
    test_url = "http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/list.html"
    response = requests.get(test_url,headers=headers,timeout=3)
    page_text = response.text
    pattern = re.compile("
.*?((d+?))
")
    # 獲取page_list
    page_list = pattern.findall(page_text)
    # 過濾數(shù)據(jù)
    for page in page_list:
        if page[1] == "0":
            page_list.remove(page)
    print(page_list)

獲取到列表頁的入口，下面就要把所有的列表頁面全部拿到了,這個地方需要點擊下面的鏈接查看一下

http://www.moko.cc/post/da39d...

本頁面有分頁，4頁，每頁顯示數(shù)據(jù)4*7=28條
所以，基本計算公式為 math.ceil(85/28)
接下來是鏈接生成了，我們要把上面的鏈接，轉換成

http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/category/304475/1.html
http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/category/304475/2.html
http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/category/304475/3.html
http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/category/304475/4.html

    page_count =  math.ceil(int(totle)/28)+1
    for i in range(1,page_count):
        # 正則表達式進行替換
        pages = re.sub(r"d+?.html",str(i)+".html",start_page)
        all_pages.append(base_url.format(pages))

當我們回去到足夠多的鏈接之后，對于初學者，你可以先干這么一步，把這些鏈接存儲到一個csv文件中，方便后續(xù)開發(fā)

# 獲取所有的頁面
def get_all_list_page(start_page,totle):

    page_count =  math.ceil(int(totle)/28)+1
    for i in range(1,page_count):
        pages = re.sub(r"d+?.html",str(i)+".html",start_page)
        all_pages.append(base_url.format(pages))

    print("已經(jīng)獲取到{}條數(shù)據(jù)".format(len(all_pages)))
    if(len(all_pages)>1000):
        pd.DataFrame(all_pages).to_csv("./pages.csv",mode="a+")
        all_pages.clear()

讓爬蟲飛一會，我這邊拿到了80000+條數(shù)據(jù)

好了，列表數(shù)據(jù)有了，接下來，我們繼續(xù)操作這個數(shù)據(jù)，是不是感覺速度有點慢，代碼寫的有點LOW，好吧，我承認這是給新手寫的其實就是懶，我回頭在用一篇文章把他給改成面向對象和多線程的

我們接下來基于爬取到的數(shù)據(jù)再次進行分析

例如 http://www.moko.cc/post/nimus... 這個頁面中，我們需要獲取到，紅色框框的地址，為什么要或者這個？因為點擊這個圖片之后進入里面才是完整的圖片列表。

我們還是應用爬蟲獲取
幾個步驟

循環(huán)我們剛才的數(shù)據(jù)列表

抓取網(wǎng)頁源碼

正則表達式匹配所有的鏈接

def read_list_data():
    # 讀取數(shù)據(jù)
    img_list = pd.read_csv("./pages.csv",names=["no","url"])["url"]

    # 循環(huán)操作數(shù)據(jù)
    for img_list_page in img_list:
        try:
            response = requests.get(img_list_page,headers=headers,timeout=3)
        except Exception as e:
            print(e)
            continue
        # 正則表達式獲取圖片列表頁面
        pattern = re.compile("VIEW MORE")
        img_box = pattern.findall(response.text)

        need_links = []  # 待抓取的圖片文件夾
        for img in img_box:
            need_links.append(img)

            # 創(chuàng)建目錄
            file_path = "./downs/{}".format(str(img[0]).replace("/", ""))

            if not os.path.exists(file_path):
                os.mkdir(file_path)  # 創(chuàng)建目錄

        for need in need_links:
            # 獲取詳情頁面圖片鏈接
            get_my_imgs(base_url.format(need[1]), need[0])

上面代碼幾個重點地方

        pattern = re.compile("VIEW MORE")
        img_box = pattern.findall(response.text)

        need_links = []  # 待抓取的圖片文件夾
        for img in img_box:
            need_links.append(img)

獲取到抓取目錄，這個地方，我匹配了兩個部分，主要用于創(chuàng)建文件夾
創(chuàng)建文件夾需要用到 os 模塊，記得導入一下

            # 創(chuàng)建目錄
            file_path = "./downs/{}".format(str(img[0]).replace("/", ""))

            if not os.path.exists(file_path):
                os.mkdir(file_path)  # 創(chuàng)建目錄

獲取到詳情頁面圖片鏈接之后，在進行一次訪問抓取所有圖片鏈接

#獲取詳情頁面數(shù)據(jù)
def get_my_imgs(img,title):
    print(img)
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"}
    response = requests.get(img, headers=headers, timeout=3)
    pattern = re.compile("")
    all_imgs = pattern.findall(response.text)
    for download_img in all_imgs:
        downs_imgs(download_img,title)

最后編寫一個圖片下載的方法,所有的代碼完成，圖片保存本地的地址，用的是時間戳。

def downs_imgs(img,title):

    headers ={"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"}
    response = requests.get(img,headers=headers,timeout=3)
    content = response.content
    file_name = str(int(time.time()))+".jpg"
    file = "./downs/{}/{}".format(str(title).replace("/","").strip(),file_name)
    with open(file,"wb+") as f:
        f.write(content)

    print("完畢")

運行代碼，等著收圖

代碼運行一下，發(fā)現(xiàn)報錯了

原因是路徑的問題，在路徑中出現(xiàn)了...這個特殊字符，我們需要類似上面處理/的方式處理一下。自行處理一下吧。

數(shù)據(jù)獲取到，就是這個樣子的

代碼中需要完善的地方

代碼分成了兩部分，并且是面向過程的，非常不好，需要改進

網(wǎng)絡請求部分重復代碼過多，需要進行抽象，并且加上錯誤處理，目前是有可能報錯的

代碼單線程，效率不高，可以參照前兩篇文章進行改進

沒有模擬登錄，最多只能爬取6個圖片，這也是為什么先把數(shù)據(jù)保存下來的原因，方便后期直接改造