【分享】套图爬虫，以美图录为例
本帖最后由 windBlows 于 2018-6-21 22:09 编辑## 此模板主要用于多线程套图下载，不过一般大众爬虫不用破译的都可以改改使用，附件有个美图录的例子
## 参考了很多资料，最主要是 https://blog.csdn.net/baidu_35085676/article/details/68958267 和 https://cuiqingcai.com/3179.html 这两个写的也都比较详细
## 每个用途 每个网址 细节都会有差异 所有带(*)的都属于DIY范畴，需要一些基本的html知识
## 请灵活使用
import requests ##参考http://docs.python-requests.org/zh_CN/latest/user/quickstart.html
from bs4 import BeautifulSoup ##参考http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/#id55
import os ##本地写入数据
import urllib.request ##有时直接打开图片地址会显示403 Forbidden，只有先打开相关网页再打开图片才能正常显示，所以我就先打开一下网页，可省略
import re ##正则表达式，用于匹配格式
from multiprocessing import Pool ##多线程
headers = {'User-Agent':"Mozilla/5.0", "Referer": "图库主页"} ##浏览器请求头，有时python直接获取图片时防盗链会踢出，所以我们假装是在用浏览器
def run(url): ##(*)传入图片某分类网页的url
start_html = requests.get(url,headers=headers) ##request该url的html文件
Soup = BeautifulSoup(start_html.text, 'lxml') ##使用BeautifulSoup来解析我们获取到的网页（‘lxml’是指定的解析器 具体请参考官方文档哦）
all_a = Soup.find('div', class_='主体的class名称').find_all('a') ##(*)查找该网页上主体的所有图片
path = url.split('/')[-2] ##(*)网址的最后一个/之前一般是这一类的总称，可作为文件夹名
if not os.path.exists("存储总目录" + "/" + path): ##如果没有这个文件夹的话，创造并进入
os.makedirs("存储总目录" + "/" + path) ##创建一个存放的文件夹
os.chdir("存储总目录" + "/" + path) ##切换到上面创建的文件夹
for a in all_a:
href = a["href"] ##(*) 获取套图网页的url，可省略
elem = a.img['src'] ##(*) 获取本图片地址
folder = elem.split('/')[-2] ##(*) 获取该套图的名称
length = a.next_sibling.next_sibling.get_text()
max_span = int(length[-17:-14])##(*) 找到该套图的网页一共有多少页
html = requests.get(href, headers=headers, allow_redirects=False) ##访问套图网页，并阻止重定向（也是防盗链的一种）
u = urllib.request.urlopen(href) ##真的打开这个网页，可省略
for page in range(1, max_span + 1):
page_url = elem[:-5] + str(page) + ".jpg" ##(*) 图片地址格式，需要自己探索
print(page_url) ##(*) 打印一下图片地址，可省略
img_html = requests.get(page_url, headers=headers, allow_redirects=False) ##访问图片地址
name = folder + '-' + str(page) ##(*) 图片名格式，套图名称+第几张图
f = open(name+'.jpg', 'ab') ##写入这个图片
f.write(img_html.content) ##多媒体文件要用.content写
f.close()
urls = {'url1', 'url2','url3'} ##这就是各分类的url
pool = Pool(30) ##线程数
for url in urls:
pool.apply_async(run, args=(url))
pool.close()
pool.join()
print('所有图片已下完')
0.1改版：
修复了一些bug；
添加了断点续传功能；
文件夹名称改为套图地址；
0.2改版：
修复了一些文件夹命名问题，以及一些数量获取问题
庄家 发表于 2018-6-21 22:01
精易出了啊，比你早！
哇塞我写之前没发现诶~谢谢提醒！但首先我这个版本是多线程的，而且这篇主要是教程而不是文件本身~不过谢谢！另外附上精易版链接：https://bbs.125.la/forum.php?mod=viewthread&tid=14085271&highlight=%C3%C0%CD%BC%C2%BC，欢迎大家参考 koko9981 发表于 2018-6-21 11:48
怎么用啊
解压后在python编译器里面改一下文件夹名称（改为你想存储到的地方）然后运行即可，也可以用terminal/command line运行 学习一下！！ 感谢分享，楼主辛苦了 感谢分享，楼主辛苦了 楼主辛苦。不应该上下美图？，哈哈 学习了谢谢分享经验 学习了谢谢楼主分享经验 我想问下楼主用的是什么编译器？？？？ 收下学习，感谢LZ分享 20175101019 发表于 2018-6-20 18:40
我想问下楼主用的是什么编译器？？？？
pyzo，下载网址http://www.pyzo.org，不过大部分编译器都可以吧