爬虫福利一 之 27报网MM

爬虫福利一 之 27报网MM《爬虫福利二》点击:https://blog.csdn.net/PY0312刚学爬虫花了4个小时写的,每一步备注的都很清楚,喜欢的朋友自己可以研究研究……目标网站:https://www.27bao.com环境:Python3.x相关第三方模块:requests、lxmlRe:各位在测试时只需要打开终端,使用pythonxxx.py运行即可。源码如下…

大家好,又见面了,我是你们的朋友全栈君。

爬虫福利一 之 27报网MM

爬虫福利一 之 27报网MM《 爬虫福利二 》爬虫福利一 之 27报网MM 点击:https://blog.csdn.net/PY0312


在这里,顺便 送大家一套2020最有趣的Pyhon项目实战视频教程地址: 点击进去就能免费拿,希望大家一起进步!


刚学爬虫花了4个小时写的,每一步备注的都很清楚,喜欢的朋友自己可以研究研究……

目标网站:https://www.27bao.com

环境:Python3.x

相关第三方模块:requests、lxml

Re:各位在测试时只需要打开终端,使用 python xxx.py 运行即可。

源码如下:

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import os
import time

import requests
from lxml import etree


class MeiZiSpider(object):
    """27 bao website MM spider"""

    def __init__(self):
        self.base_url = 'https://www.27bao.com/meinv/list_1.html'
        self.headers = {'User-Agent': 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)'}

        # 构建url的前缀
        self.url_prefix = 'https://www.27bao.com'

        # 构建第二层url的前缀
        self.inner_url_prefix = 'https://www.27bao.com/meinv/'

        # 构建点开每个MM内部的所有url
        self.inner_url = 'https://www.27bao.com/meinv/56870_{}.html'

        # 文件保存的路径
        self.path = os.getcwd() + '/27baoMM/'

    def send_first_req(self):
        """
        发送第一层请求,返回首页响应的html内容
        :return: 第一层url的html_str
        """

        html_str = requests.get(self.base_url, headers=self.headers).content.decode()

        return html_str

    def get_total_page(self):
        """
        获取网站MM图片总页数
        :return: 图片总页数
        """

        # 模拟发送请求, 返回响应数据(便于提取总页数)
        html_str = self.send_first_req()

        # 将返回的 html字符串 转换为 element对象
        element_obj = etree.HTML(html_str)

        # 提取末页的url, 再切片提取最大页数
        total_page = element_obj.xpath('//*[@id="pages"]/a[9]/@href')[0].split('_')[-1].split('.')[0]
        print('========该网站MM图片目前共有 {} 页========'.format(total_page))

        return total_page

    def get_each_girl_url(self, each_page_url):
        """
        第一层解析 ---> 获取每一页每个MM(第二层)的url
        :param each_page_url: 每一页的url
        :return: 每一页每个MM(第二层)的url和title
        """

        # 用于存放拼接后每个MM的url
        girl_url_list = []

        # 模拟发送请求, 返回响应数据(便于提取url)
        html_str = self.send_request(each_page_url)

        # 将返回的 html字符串 转换为 element对象
        element_obj = etree.HTML(html_str)

        # 提取所有url后缀  ---> 列表
        url_postfix = element_obj.xpath('/html/body/div[2]/div[2]/ul/li/a/@href')

        # 提取每个妹妹的标题, 便于后面命名
        url_title_li = element_obj.xpath('/html/body/div[2]/div[2]/ul/li/p/a/text()')

        # 遍历提取的url列表, 拼接完整的url, 并保存列表中
        for url in url_postfix:
            # 添加拼接后的url到列表
            girl_url_list.append(self.url_prefix + url)
        # print(girl_url_list)

        title_and_url_li = list(zip(url_title_li, girl_url_list))
        # print(title_and_url_li)

        return title_and_url_li

    def send_request(self, url):
        """
        发送第二层请求,返回响应的html内容
        :param url: 每个MM(第二层)的url
        :return: html_str
        """
        try:
            response = requests.get(url, headers=self.headers, timeout=5)
        except:
            return None
        html_str = response.content

        return html_str

    def parse_data(self, html_str):
        """
        第二层解析 ---> 获取当前的每个url
        :param html_str: 第二层响应的html内容
        :return: 具体每张图片的url
        """

        # 将返回的 html字符串 转换为 element对象
        element_obj = etree.HTML(html_str)
        each_image = element_obj.xpath('/html/body/div[3]/center/img/@src')[0]
        # print(each_image)
        return each_image

    def save_file(self, image_data, title, image_name):
        """
        保存图片
        :param image_data: 具体每张图片的数据
        :param title: 具体每个MM的标题
        :param image_name: 具体每张图片的名字
        :return:
        """

        # 如果目录不存在, 就新建
        if not os.path.exists(self.path + title):
            os.makedirs(self.path + title)
        # 切换到新建目录下
        os.chdir(self.path + title)

        with open(image_name, 'wb') as f:
            f.write(image_data)

    def download(self):
        total_page = self.get_total_page()
        # 开循环, 爬取每个页面的每个妹妹的所有图片
        for page in range(1, int(total_page) + 1):
            print('\n正在爬取第 {} 页...\n'.format(page))
            # 构建每一页的url
            each_page_url = 'https://www.27bao.com/meinv/list_{}.html'.format(page)
            title_and_url_li = self.get_each_girl_url(each_page_url)

            # 遍历获取每个妹妹的总url
            for girl_url in title_and_url_li:
                # print(girl_url[1])

                html_str = self.send_request(girl_url[1])
                print('正在爬取的地址: {}'.format(girl_url[1]))

                # 获取目前爬取的MM内部总页数
                inner_total_page = etree.HTML(html_str).xpath('//*[@id="pages"]/a[last()-1]/text()')[0]
                print('\n目前爬取的MM图片共有 {} 张\n'.format(inner_total_page))

                # 循环并构造每一张图片的url, 请求, 解析, 并保存
                image_data = None
                for inner_page in range(1, int(inner_total_page) + 1):
                    print('正在爬取 {} 第 {} 张图片...'.format(girl_url[0], inner_page))
                    # 构造第二页以后的每个url
                    each_image_url = girl_url[1].split('.html')[0] + '_{}.html'
                    if inner_page == 1:
                        # 获取第一页的url, 因为第一页和其他页的规律不一样,所以这里单独出来
                        each_image_url = self.parse_data(html_str)
                        # html_str = self.send_request(each_image_url)
                        image_data = self.send_request(each_image_url)
                    else:
                        each_image_url = each_image_url.format(inner_page)
                        # print(each_image_url)
                        html_str = self.send_request(each_image_url)
                        image = self.parse_data(html_str)
                        image_data = self.send_request(image)

                    # 如果请求图片的url在5秒之内无响应, 立即终止当前妹妹所有url的循环
                    if image_data is None:
                        print('当前MM的url无响应,正在跳转到下一个MM的url\n')
                        break
                    # 拼接保存图片的名称
                    image_name = str(inner_page) + '.jpg'
                    try:
                        # 切换图片保存目录
                        os.chdir(self.path + girl_url[0])
                        # 判断文件是否存在, 存在则不再保存, 跳过
                        if os.path.exists(image_name):
                            print('第 {} 张已保存, 跳过...'.format(inner_page))
                            continue
                    except Exception as e:
                        print('目录 "{}":不存在, 正在新建...'.format(self.path + girl_url[0]))

                    # 保存图片到本地
                    self.save_file(image_data, girl_url[0], image_name)
                # print(image_list)
                if image_data:
                    print('\n{} 的所有图片已全部爬取完毕...\n'.format(girl_url[0]))

                # 休眠5秒中, 避免请求一直处于长连接导致ip被封
                time.sleep(10)


if __name__ == '__main__':
    MeiZiSpider().download()

注意:最后再送大家一套2020最有趣的Pyhon项目实战视频教程地址,点击进去就能免费领取,一定要多练习代码。希望大家一起进步!

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/150678.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(1)


相关推荐

  • xshell安装步骤_oracle安装sid已在使用

    xshell安装步骤_oracle安装sid已在使用1.安装xhost[root@oracle11~]#yumwhatprovides”*/xhost”Loadedplugins:fastestmirrorLoadingmirrorspeedsfromcachedhostfile*base:mirrors.163.com*extras:mirrors.aliyun.com*updates:mirrors.aliyun.combase/7/x86_64/filelists_db

  • PhpStorm 配置 Xdebug调试工具

    PhpStorm 配置 Xdebug调试工具

    2021年10月31日
  • 大数据数仓建模

    大数据数仓建模        大数据项目之电商数仓(用户行为数据采集)数据仓库简介      1.什么是数据库?    数据库(database)是按照数据结构来组织,存储和管理数据的建立在计算机存储设备上的仓库。    数据库是长期存储在计算机内,有组织的,可共享的数据集合。数据库中的数据指的是以一定的数据模型组织,描述和存储在一起,具有尽可能小的冗余度,较高的数据独立性和易扩展性的特点并可在一定范围内为多个用户共享。    常用的数据库有mysql,oracle,sqlserver等。作用不一样,数据库是

  • 5G NR SSB概述[通俗易懂]

    5G NR SSB概述[通俗易懂]       SSB(SynchronizationSignal/PBCH,同步广播块)是5G中使用的最重要的导频信道之一,其作用关系到UE接入小区的很多方面,如小区搜索、波束测量、波束选择、波束恢复等。1、SSB时频域结构       在5G中,SSB包括同步信号和广播信号,具体同步信号包括PSS(PrimarySynchronizationSignal,

  • AJAX技术入门「建议收藏」

    AJAX技术入门「建议收藏」AJAX技术入门

  • COM :IUnknown接口QueryInterface函数介绍

    COM :IUnknown接口QueryInterface函数介绍
    一、COM组件的目标:
    COM组件的一个主要优势是:便于升级。
    要实现这个优势需要满足一下两个条件:
    1、运行时从客户程序动态加载和卸载,采用DLL技术可以实现。
    2、为了更好的突出DLL的优势,还需要信息隐藏,即封装性。
    二、COM组件的信息隐藏采用IUnknown接口来实现:
          1、IUnknown接口功能简介:
    IUnknown意思是未知,即未知的接口。采用这个名字是为了简单起见,所有的COM接口都需要继承I

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号