huguo002 发表于 2019-11-4 21:36

【python爬虫】福利,手把手教你python爬取美足船袜网源码!

【python爬虫】福利,手把手教你python爬取美足船袜网源码!
【python爬虫】福利,手把手教你python爬取美足船袜网源码!

#http://mzsock.com 美足船袜网
# -*- coding: UTF-8 -*-

import requests
import re,os
import time
from urllib import request
from fake_useragent import UserAgent


class Mzsock():
    def __init__(self):
      self.ua=UserAgent()
      self.headers={"User-Agent":self.ua.random}

    def get_categroy_url(self):
      url="http://mzsock.com"
      response=requests.get(url,headers=self.headers).text
      ul=re.findall(r'<ul id="chenxing_menu" class="cx_menu l">(.+?)</ul>',response,re.S)
      categroy_urls=re.findall(r'<li id=".+?"><a href="(.+?)">.+?</a></li>',ul,re.S)
      return categroy_urls

    def get_urllist(self,categroy_urls):
      urllist=[]
      for url in categroy_urls:
            response=requests.get(url,verify=False,headers=self.headers).text
            num=re.findall(r'</i>共找到.+?>(.+?)</em>篇帖子</span>',response,re.S)
            pagenum=round(int(num)/20) #取整,四舍五入
            print(pagenum)
            for i in range(1,pagenum+1):
                pageurl=f'{url}page/{i}/'
                urllist.append(pageurl)
      return urllist

    def get_contentlist(self,urllist):
      contentlist=[]
      for url in urllist:
            response = requests.get(url,headers=self.headers).text
            div=re.findall(r'<ul class="post-list cl" id="post-list">(.+?)</ul>',response,re.S)
            hrefs=re.findall(r'<a class="img" href="(.+?)" title=".+?" target="_blank">',div,re.S)
            contentlist.extend(hrefs)
            print(hrefs)
      return contentlist

    def get_content(self,contentlist):
      for url in contentlist:
            response = requests.get(url,headers=self.headers).text
            h1=re.findall(r'<h1>(.+?)[(](.+?)[)]</h1>',response,re.S)
            title=h1
            title= re.sub(r'[\|\/\<\>\:\*\?\\\"]', "_", title)# 剔除不合法字符
            print(title)
            os.makedirs(f'mzsock/{title}/',exist_ok=True) #创建目录
            page_num = h1
            page_num = page_num.split('/')
            print(page_num)
            for i in range(1,int(page_num)+1):
                content_url=f'{url[:-5]}_{i}.html'
                content_response = requests.get(content_url, headers=self.headers).text
                div=re.findall(r'<div class="picsbox picsboxcenter chenxing_pic_images">(.+?)</div>',content_response,re.S)
                img_urls=re.findall(r'<img src="(.+?)"alt=".+?" width',div,re.S)
                x=1
                for img_url in img_urls:
                  img_name=f'{i}_{x}{img_url[-4:]}'
                  self.bctp(f'mzsock/{title}/', img_url, img_name)
                  x=x+1

    def bctp(self,lj, img_url, img_name):
      print("开始下载图片!")
      try:
            r = requests.get(img_url, timeout=5, headers=self.headers)
            with open(f'{lj}/{img_name}', 'wb') as f:
                f.write(r.content)
                print(f'下载{img_name}图片成功!')
                time.sleep(1)
      except Exception as e:
            if "port=443): Read timed out" in str(e):
                time.sleep(2)
                try:
                  r = requests.get(img_url, timeout=5, headers=self.headers)
                  with open(f'{lj}/{img_name}', 'wb') as f:
                        f.write(r.content)
                        print(f'下载{img_name}图片成功!')
                except Exception as e:
                  print(f'下载{img_name}图片失败!')
                  print(f'错误代码:{e}')
                  with open(f'{lj}/spider.txt', 'a+', encoding='utf-8') as f:
                        f.write(f'错误代码:{e}---下载 {img_url} 图片失败\n')
            else:
                print(f'下载{img_name}图片失败!')
                print(f'错误代码:{e}')
                with open(f'{lj}/spider.txt', 'a+', encoding='utf-8') as f:
                  f.write(f'错误代码:{e}---下载 {img_url} 图片失败\n')


if __name__ == '__main__':
    spider=Mzsock()
    categroy_urls=spider.get_categroy_url()
    urllist=spider.get_urllist(categroy_urls)
    contentlist=spider.get_contentlist(urllist)
    spider.get_content(contentlist)






相关教学贴:

【福利】从零开始,手把手教你python爬取美足船袜网!

liqi 发表于 2019-11-15 18:41

这个玩意,之前在七月份我刚刚接触爬虫的时候,一个老哥发这个网站问问能爬吗?我直接拒了他,我怎么可能是这种好se之徒呢???
第二天,这个网站被我爬了3.4g的图片给崩了{:1_926:}
晚上我独自享受着这些,最后全删了,md什么玩意,啥都不漏

凹凸曼大人 发表于 2019-11-4 22:49

python3.6实测错误fake_useragent 已经没有了。 只有 my_ fake_useragent   就算改了还是错误 。。

王二牛 发表于 2019-11-4 21:52

老哥稳,看来天天得喝营养快线了。:lol

Shuar耍耍 发表于 2019-11-4 21:59

爬下来的有味吗{:301_995:}

甘愿堕落 发表于 2019-11-4 22:09

手机可不可以运行py{:301_997:}

R大大 发表于 2019-11-4 22:10

太刺激了吧,老哥

gerrardqhy 发表于 2019-11-4 22:18

能不能爬小草的 亲

H_J_S 发表于 2019-11-4 22:22

看起来很厉害的样子{:301_1009:}

凹凸曼大人 发表于 2019-11-4 22:32

赞一个纯正则表达式 厉害啊 。我只会beautifulsoup的

a517753728 发表于 2019-11-4 22:40

品如的衣服   你好sao啊
页: [1] 2 3 4 5 6 7 8 9 10
查看完整版本: 【python爬虫】福利,手把手教你python爬取美足船袜网源码!