【python爬虫】福利，手把手教你python爬取美足船袜网源码！

huguo002

【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] 纯文本查看 复制代码

#[url]http://mzsock.com[/url] 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)[0]
        categroy_urls=re.findall(r'<li id=".+?"><a href="(.+?)">.+?</a></li>',ul,re.S)[1:-1]
        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)[0]
            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)[0]
            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)[0]
            title=h1[0]
            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[1][6:-7]
            page_num = page_num.split('/')[1]
            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)[0]
                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

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
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

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

老哥稳，看来天天得喝营养快线了。

Shuar耍耍

爬下来的有味吗

甘愿堕落

手机可不可以运行py

R大大

太刺激了吧，老哥

gerrardqhy

能不能爬小草的 亲

H_J_S

看起来很厉害的样子

凹凸曼大人

赞一个  纯正则表达式 厉害啊 。  我只会beautifulsoup的

a517753728

品如的衣服   你好sao啊