nerkeler 发表于 2023-3-31 10:02

python 动漫之家《镖人》爬虫程序

分享一个很久之前写的python 爬取动漫之家《镖人》漫画得代码,对代码稍作改动,理论上可以爬取全站,没有用多线程,下载可能慢一点 ,如果有需求得话,我有空也可以改一下

```
import os
import re
import requests
from bs4 import BeautifulSoup
from tqdm import tqdm

#github:   https://github.com/nerkeler/Dmzj_spider

# 获取当前漫画总链接文本
def get_url(url):
    headers = {
      "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36"}
    res = requests.get(url, headers=headers)
    res.encoding = res.apparent_encoding
    if res.status_code == 200:
      return res.text
    else:
      return None


# 爬取所有章节标题、链接
def get_page(html):
    title_list, href_list = [], []

    soups = BeautifulSoup(html, "lxml")
    soups = soups.find(attrs={"class": "list_con_li autoHeight"})

    for soup in soups.select("li a"):
      title_list.insert(0, soup['title'])
      href_list.insert(0, soup['href'])

    return title_list, href_list# 返回列表


# 判断是否为数字型字符串
def is_number(s):
    try:
      float(s)
      return True
    except ValueError:
      pass


# 爬取章节内所有图片
def main_download(name, url):
    headers = {
      "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36",
      "Referer": url}# 浏览器标识
    res = requests.get(url, headers=headers)
    html = res.text# 动态页面,返回js代码
    link = re.findall("function\(p,a,c,k,e,d\).*?split", html)# 匹配图片代码片段
    """解码js,构造图片真实链接"""
    first_number = link.split("'.split")
    first_number = first_number.split("||")
    links, second = [], []
    first = ""
    for i in first_number:
      number = i.split("|")
      for num in number:
            try:
                if is_number(num) and len(num) == 4:
                  first = num# 链接开始四位数数字串
                elif is_number(num) and (len(num) == 5 or len(num) == 6):
                  second.append(int(num))# 链接中间数字串
                elif is_number(num) and len(num) >= 7:
                  links.append(num)# 链接末尾数字串

            except:
                pass
    links = sorted(links)# 由小到大排序
    # 开始下载图片
    for i in links:
      imgs_link = f'https://images.dmzj.com/img/chapterpic/{first}/{second}/{i}.jpg'# 构造真实链接

      response = requests.get(url=imgs_link, headers=headers)
      try:
            with open(f"镖人/{name}/{i}.jpg", 'wb') as f:
                f.write(response.content)
      except:
            pass
    print(f"{name}: 已经下载完成")


# 主循环
def main():
    if not os.path.exists("镖人"):# 创建总文件夹
      os.mkdir("镖人")
    url = "https://www.dmzj.com/info/biaoren.html"
    html = get_url(url)
    title_list, href_list = get_page(html)
    #processing = tqdm(range(0,len(title_list)))
    for name, url in zip(title_list, href_list,):
      if not os.path.exists(f"镖人/{name}"):
            os.mkdir(f"镖人/{name}")
      main_download(name, url)


if __name__ == '__main__':
    main()
```

宇宙无敌超级羽 发表于 2023-3-31 11:25

镖人是完结篇的吗?之前有看过一半......好像我的回复在这里有点尴尬啊

JKARES 发表于 2023-6-5 13:17

import os
import re
import requests
from bs4 import BeautifulSoup
from tqdm import tqdm


def get_url(url):
    headers = {
      "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36"
    }
    res = requests.get(url, headers=headers)
    res.encoding = res.apparent_encoding
    if res.status_code == 200:
      return res.text
    else:
      return None


def get_page(html):
    title_list, href_list = [], []

    soups = BeautifulSoup(html, "lxml")
    soups = soups.find(attrs={"class": "list_con_li autoHeight"})

    for soup in soups.select("li a"):
      title_list.insert(0, soup['title'])
      href_list.insert(0, soup['href'])

    return title_list, href_list


def is_number(s):
    try:
      float(s)
      return True
    except ValueError:
      return False


def main_download(name, url):
    headers = {
      "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36",
      "Referer": url
    }
    res = requests.get(url, headers=headers)
    html = res.text
    link = re.findall("function\(p,a,c,k,e,d\).*?split", html)
   
    first_number = link.split("'.split")
    first_number = first_number.split("||")
    links, second = [], []
    first = ""
    for i in first_number:
      number = i.split("|")
      for num in number:
            try:
                if is_number(num) and len(num) == 4:
                  first = num
                elif is_number(num) and (len(num) == 5 or len(num) == 6):
                  second.append(int(num))
                elif is_number(num) and len(num) >= 7:
                  links.append(num)
            except:
                pass
    links = sorted(links)
   
    for i in links:
      imgs_link = f'https://images.dmzj.com/img/chapterpic/{first}/{second}/{i}.jpg'

      response = requests.get(url=imgs_link, headers=headers)
      try:
            os.makedirs(f"镖人/{name}", exist_ok=True)
            with open(f"镖人/{name}/{i}.jpg", 'wb') as f:
                f.write(response.content)
      except:
            pass
    print(f"{name}: 已经下载完成")


def main():
    os.makedirs("镖人", exist_ok=True)
    url = "https://www.dmzj.com/info/biaoren.html"
    html = get_url(url)
    title_list, href_list = get_page(html)
   
    for name, url in zip(title_list, href_list):
      os.makedirs(f"镖人/{name}", exist_ok=True)
      main_download(name, url)


if __name__ == '__main__':
    main()


优化内容:
[*]添加了os.makedirs函数的exist_ok参数,可以一次性创建多层目录,无需手动检查和创建父目录。
[*]修改了部分变量名,使其更具有可读性。
[*]使用try-except语句捕获异常,避免出现错误时程序中断。
[*]对于函数is_number,在except块中添加了返回False的语句,避免出现错误时函数无返回值的情况。
[*]对于函数main_download,在下载图片之前使用os.makedirs创建章节目录,避免在写入文件时出现目录不存在的错误。

爱分享 发表于 2023-3-31 10:54

谢楼主分享。

binyue1985 发表于 2023-3-31 10:58

了解学习下,感谢分享

Easonll 发表于 2023-3-31 11:05

感谢分享,学习了

w759003376 发表于 2023-3-31 11:25

url地址点进去,发现挂了,是不是被爬崩溃了;www

cosshow 发表于 2023-3-31 11:27

感谢,下来试试!

狐白本白 发表于 2023-3-31 11:39

牛了牛了 已经有两年没写过爬虫了 难呐

timmy93 发表于 2023-3-31 12:18

感谢分享,学习一下

yiwannian 发表于 2023-3-31 12:24

感谢,试试
页: [1] 2 3
查看完整版本: python 动漫之家《镖人》爬虫程序