qq58452077 发表于 2018-8-2 15:30

python爬虫宅男女神图片

本帖最后由 qq58452077 于 2018-8-2 16:01 编辑

```python
#!/usr/bin/env python
# encoding: utf-8

"""
@version: 1.0
@author: CJ
@software: PyCharm
@file: onvshen.py
@time: 2017/7/13 23:01
"""

import urllib2
importlxml.html
import time
import os
import re

def serchIndex(name):
    url='https://www.nvshens.com/girl/search.aspx?name='+name
    print url
    html = urllib2.urlopen(url).read().decode('UTF-8')
    return html


def selectOne(html):
    tree = lxml.html.fromstring(html)
    one = tree.cssselect('#DataList1 > tr > td:nth-child(1) > li > div > a')
    href = one.get('href')
    url = 'https://www.nvshens.com'+href+'album/'
    print url
    html = urllib2.urlopen(url).read().decode('UTF-8')
    print html
    return html


def findPageTotal(html):
    tree = lxml.html.fromstring(html)
    lis = tree.cssselect('#photo_list > ul > li')
    list = []
    for li in lis:
      url = li.cssselect('div.igalleryli_div > a')
      href = url.get('href')
      list.append(href)
    findimage_urls = set(list)
    print findimage_urls
    return findimage_urls

def dowmloadImage(image_url,filename):
    for i inrange(len(image_url)):
      try:
            req = urllib2.Request(image_url)
            req.add_header('User-Agent','chrome 4{}'.format(i))
            image_data = urllib2.urlopen(req).read()
      except (urllib2.HTTPError, urllib2.URLError) as e:
            time.sleep(0.1)
            continue
      open(filename,'wb').write(image_data)
      break

def mkdirByGallery(path):
    # 去除首位空格
    path = path.strip()
    path = 'E:\\py\\photo\\'+path
    #这两个函数之间最大的区别是当父目录不存在的时候os.mkdir(path)
    #不会创建,os.makedirs(path)
    #则会创建父目录。
    isExists = os.path.exists(path)
    if not isExists:
      os.makedirs(path)
    return path

if __name__ != '__main__':
      name = str(raw_input("name:"))
      html = serchIndex(name)
      html = selectOne(html)
      pages = findPageTotal(html)
      img_id = 1
      for page in pages:
            path = re.search(r'+',page).group()
            path = mkdirByGallery(path)
            for i in range(1,31):
                url='https://www.nvshens.com'+page+str(i)+'.html'
                html = urllib2.urlopen(url).read().decode('UTF-8')
                tree = lxml.html.fromstring(html)
                title = tree.cssselect('head > title').text
                if title.find(u"该页面未找到")!= -1:
                  break
                imgs = tree.cssselect('#hgallery > img')
                list = []
                for img in imgs:
                  src = img.get('src')
                  list.append(src)
                image_urls = set(list)
                image_id = 0
                for image_url in image_urls:
                  dowmloadImage(image_url,path+'\\'+'2017-{}-{}-{}.jpg'.format(img_id,i,image_id))
                  image_id += 1
            img_id += 1


if __name__ == '__main__':
    page = str(raw_input("pageid:"))
    path = mkdirByGallery(page)
    for i in range(1,31):
      url = 'https://www.nvshens.com/g/' + page+'/' + str(i) + '.html'
      print url
      html = urllib2.urlopen(url).read().decode('UTF-8')
      tree = lxml.html.fromstring(html)
      title = tree.cssselect('head > title').text
      if title.find(u"该页面未找到") != -1:
            break
      imgs = tree.cssselect('#hgallery > img')
      list = []
      for img in imgs:
            src = img.get('src')
            list.append(src)
      image_urls = set(list)
      image_id = 0
      for image_url in image_urls:
            dowmloadImage(image_url, path+'\\'+'2017-{}-{}.jpg'.format(i,image_id))
            image_id += 1


if __name__ != '__main__':
    url = 'https://www.nvshens.com/gallery/meitui/'
    print url
    html = urllib2.urlopen(url).read().decode('UTF-8')
    tree = lxml.html.fromstring(html)
    lis = tree.cssselect('#listdiv > ul > li')
    list = []
    for li in lis:
      url = li.cssselect('div.galleryli_div > a')
      href = url.get('href')
      list.append(href)
    findimage_urls = set(list)
    print findimage_urls
    print len(findimage_urls)



```




######################################################
仅供学习参考(Python2)

萌新发帖不易。请求评分。。。。。

rodygdut 发表于 2018-8-3 10:05

我也写了一个,图片地址是有规律的,不用一页一页来

#爬取zngirls最新图片链接
import os#导入os模块
import requests #导入requests库
from bs4 import BeautifulSoup
import random
import time
import re

class BeautifulPicture():

    def __init__(self):#类的初始化操作
      self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1'}#给请求指定一个请求头来模拟chrome浏览器
      self.web_url = 'https://www.nvshens.com/gallery/'#要访问的网页地址
      self.folder_path = 'G:\BP'#设置图片要存放的文件目录
      self.pn=''

    def get_pic(self):
      print('开始网页get请求')
      r = self.request(self.web_url)
      r.encoding='utf-8'
      soup = BeautifulSoup(r.text, 'lxml')#声明BeautifulSoup对象
      
      #print('开始创建文件夹')
      self.mkdir(self.folder_path)#创建文件夹
      #print('开始切换文件夹')
      os.chdir(self.folder_path)   #切换路径至上面创建的文件夹

      for img in soup.find_all("li",{"class":"galleryli"}):
            #print(img.div.a.img['alt']) #相册名称
            pn=img.div.a['href'] #相册编号
            self.pn=pn.replace('/','')
            #print(img.div.a.img['data-original']) #循环获取a标签中的data-original
            rliurl='https://www.nvshens.com'+img.div.a['href']
            #print(rliurl)
            #print('开始创建文件夹')
            #self.mkdir(self.folder_path+'\\'+pn.replace('/',''))#创建文件夹
            #print('开始切换文件夹')
            #os.chdir(self.folder_path+ '\\' + pn.replace('/',''))   #切换路径至上面创建的文件夹
            #print(self.folder_path+'\\'+pn.replace('/',''))
                     
            sleep_time=random.randint(1,3)
            time.sleep(sleep_time)
            #print('Wait%ds'%sleep_time)
            rli = requests.get(rliurl) #像目标url地址发送get请求,返回一个response对象
            rli.encoding='utf-8'
            lisoup = BeautifulSoup(rli.text, 'lxml')#声明BeautifulSoup对象

            lidiv = lisoup.find('div',{"class":"gallery_wrapper"})#使用find方法查到第一个p标签
            #print(lidiv.ul.img['src'])
            lipum=lidiv.ul.img.next_sibling.get('src').replace('001.jpg','')
            lin = lisoup.find('div',{"id":"dinfo"})      
            pn = int(re.sub("\D", "", lin.span.text))
            #print(str(pn))
            lipu=''
            lipn=''
            for i in range(pn) :
                if i==0:
                  lipn='0.jpg'
                elif i<10:
                  lipn='00'+str(i)+'.jpg'
                elif i<100:
                  lipn='0'+str(i)+'.jpg'
                else:
                  lipn=str(i)+'.jpg'
                lipu=lipum+lipn
                #print(lipu)            
                self.save_img(lipu, lipn) #调用save_img方法来保存图片

    def save_img(self, url, name): ##保存图片
      #print('开始请求图片地址,过程会有点长...')
      img = self.request(url)
      file_name = self.pn+'_'+name
      #print('开始保存图片')
      f = open(file_name, 'ab')
      f.write(img.content)
      print(url,'图片保存成功!')
      f.close()

    def request(self, url):#返回网页的response
      r = requests.get(url)# 像目标url地址发送get请求,返回一个response对象。有没有headers参数都可以。
      return r

    def mkdir(self, path):##这个函数创建文件夹
      path = path.strip()
      isExists = os.path.exists(path)
      if not isExists:
            print('创建名字叫做', path, '的文件夹')
            os.makedirs(path)
            #print('创建成功!')
      else:
            print(path, '文件夹已经存在了,不再创建')

beauty = BeautifulPicture()#创建类的实例
beauty.get_pic()#执行类中的方法

半梦半醒浮生葬 发表于 2018-8-2 15:31

m0216 发表于 2018-8-2 15:39

没有看懂    貌似很厉害

121890575 发表于 2018-8-2 15:42

支持楼主

智尚 发表于 2018-8-2 15:42

这个是用在哪里啊

pxh961017 发表于 2018-8-2 15:43


没有看懂    貌似很厉害

chenyunjp123 发表于 2018-8-2 15:44

不明觉厉~!{:301_1009:}

kk1212 发表于 2018-8-2 15:45

python真是强大,果断名不虚传

bfqjge 发表于 2018-8-2 15:49

不错不错,收藏了,谢谢楼主分享!

yy54007 发表于 2018-8-2 15:50

大哥大哥大
页: [1] 2 3 4 5 6 7 8 9 10
查看完整版本: python爬虫宅男女神图片