摘要：爬蟲入門聽說你寫代碼沒動(dòng)力本文就給你動(dòng)力，爬取妹子圖。分別進(jìn)入每個(gè)套圖中去，下載相應(yīng)的圖片。最大線程數(shù)設(shè)置為正在下載頁(yè)好了，之后運(yùn)行，我們的爬蟲就會(huì)孜孜不倦的為我們下載漂亮妹子啦。

聽說你寫代碼沒動(dòng)力？本文就給你動(dòng)力，爬取妹子圖。如果這也沒動(dòng)力那就沒救了。

GitHub 地址: https://github.com/injetlee/Python/blob/master/%E7%88%AC%E8%99%AB%E9%9B%86%E5%90%88/meizitu.py

公眾號(hào)：【智能制造社區(qū)】。歡迎關(guān)注，分享智能制造與編程那些事。

當(dāng)你運(yùn)行代碼后,文件夾就會(huì)越來越多，如果爬完的話會(huì)有2000多個(gè)文件夾，20000多張圖片。不過會(huì)很耗時(shí)間，可以在最后的代碼設(shè)置爬取頁(yè)碼范圍。

熟悉 Requests 庫(kù)，Beautiful Soup 庫(kù)

熟悉多線程爬取

送福利，妹子圖

我們從 http://meizitu.com/a/more_1.html 這個(gè)鏈接進(jìn)去，界面如圖一所示

圖一：

可以看到是一組一組的套圖，點(diǎn)擊任何一組圖片會(huì)進(jìn)入到詳情界面，如圖二所示

圖二:

可以看到圖片是依次排開的，一般會(huì)有十張左右的圖片。

看了界面的結(jié)構(gòu)，那么我們的思路就有了。

構(gòu)造 url 鏈接，去請(qǐng)求圖一所示的套圖列表界面，拿到每一個(gè)頁(yè)面中的套圖列表。

分別進(jìn)入每個(gè)套圖中去，下載相應(yīng)的圖片。

下載界面的函數(shù),利用 Requests 很方便實(shí)現(xiàn)。

def download_page(url):
    """
    用于下載頁(yè)面
    """
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0"}
    r = requests.get(url, headers=headers)
    r.encoding = "gb2312"
    return r.text

獲取圖一所示的所有套圖列表,函數(shù)中 link 表示套圖的鏈接，text表示套圖的名字

def get_pic_list(html):
    """
    獲取每個(gè)頁(yè)面的套圖列表,之后循環(huán)調(diào)用get_pic函數(shù)獲取圖片
    """
    soup = BeautifulSoup(html, "html.parser")
    pic_list = soup.find_all("li", class_="wp-item")
    for i in pic_list:
        a_tag = i.find("h3", class_="tit").find("a")
        link = a_tag.get("href")  # 套圖鏈接
        text = a_tag.get_text()   # 套圖名字
        get_pic(link, text)

傳入上一步中獲取到的套圖鏈接及套圖名字,獲取每組套圖里面的圖片,并保存,我在代碼中注釋了。

def get_pic(link, text):
    """
    獲取當(dāng)前頁(yè)面的圖片,并保存
    """
    html = download_page(link)  # 下載界面
    soup = BeautifulSoup(html, "html.parser")
    pic_list = soup.find("div", id="picture").find_all("img")  # 找到界面所有圖片
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0"}
    create_dir("pic/{}".format(text))
    for i in pic_list:
        pic_link = i.get("src")  # 拿到圖片的具體 url
        r = requests.get(pic_link, headers=headers)  # 下載圖片，之后保存到文件
        with open("pic/{}/{}".format(text, pic_link.split("/")[-1]), "wb") as f:
            f.write(r.content)
            time.sleep(1)

完整代碼如下，包括了創(chuàng)建文件夾，利用多線程爬取，我設(shè)置的是5個(gè)線程，可以根據(jù)自己機(jī)器自己來設(shè)置一下。

import requests
import os
import time
import threading
from bs4 import BeautifulSoup


def download_page(url):
    """
    用于下載頁(yè)面
    """
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0"}
    r = requests.get(url, headers=headers)
    r.encoding = "gb2312"
    return r.text


def get_pic_list(html):
    """
    獲取每個(gè)頁(yè)面的套圖列表,之后循環(huán)調(diào)用get_pic函數(shù)獲取圖片
    """
    soup = BeautifulSoup(html, "html.parser")
    pic_list = soup.find_all("li", class_="wp-item")
    for i in pic_list:
        a_tag = i.find("h3", class_="tit").find("a")
        link = a_tag.get("href")
        text = a_tag.get_text()
        get_pic(link, text)


def get_pic(link, text):
    """
    獲取當(dāng)前頁(yè)面的圖片,并保存
    """
    html = download_page(link)  # 下載界面
    soup = BeautifulSoup(html, "html.parser")
    pic_list = soup.find("div", id="picture").find_all("img")  # 找到界面所有圖片
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0"}
    create_dir("pic/{}".format(text))
    for i in pic_list:
        pic_link = i.get("src")  # 拿到圖片的具體 url
        r = requests.get(pic_link, headers=headers)  # 下載圖片，之后保存到文件
        with open("pic/{}/{}".format(text, pic_link.split("/")[-1]), "wb") as f:
            f.write(r.content)
            time.sleep(1)   # 休息一下，不要給網(wǎng)站太大壓力，避免被封


def create_dir(name):
    if not os.path.exists(name):
        os.makedirs(name)


def execute(url):
    page_html = download_page(url)
    get_pic_list(page_html)


def main():
    create_dir("pic")
    queue = [i for i in range(1, 72)]   # 構(gòu)造 url 鏈接 頁(yè)碼。
    threads = []
    while len(queue) > 0:
        for thread in threads:
            if not thread.is_alive():
                threads.remove(thread)
        while len(threads) < 5 and len(queue) > 0:   # 最大線程數(shù)設(shè)置為 5
            cur_page = queue.pop(0)
            url = "http://meizitu.com/a/more_{}.html".format(cur_page)
            thread = threading.Thread(target=execute, args=(url,))
            thread.setDaemon(True)
            thread.start()
            print("{}正在下載{}頁(yè)".format(threading.current_thread().name, cur_page))
            threads.append(thread)


if __name__ == "__main__":
    main()

好了，之后運(yùn)行，我們的爬蟲就會(huì)孜孜不倦的為我們下載漂亮妹子啦。