Python爬虫入门教程 7-100 蜂鸟网图片爬取之二

1. 蜂鸟网图片-简介

今天玩点新鲜的,使用一个新库 aiohttp ,利用它提高咱爬虫的爬取速度。

安装模块常规套路

pip install aiohttp

clipboard.png

运行之后等待,安装完毕,想要深造,那么官方文档必备 :https://aiohttp.readthedocs.io/en/stable/

接下来就可以开始写代码了。

我们要爬取的页面,这一次选取的是

http://bbs.fengniao.com/forum/forum_101_1_lastpost.html

打开页面,我们很容易就获取到了页码

clipboard.png

好久没有这么方便的看到页码了。

clipboard.png

尝试用 aiohttp 访问这个页面吧,模块的引入,没有什么特殊的,采用 import 即可
如果我们需要 使用Asyncio + Aiohttp异步IO 编写爬虫,那么需要注意,你需要异步的方法前面加上async

接下来,先尝试去获取一下上面那个地址的网页源码。

代码中,先声明一个fetch_img_url的函数,同时携带一个参数,这个参数也可以直接写死。

with 上下文不在提示,自行搜索相关资料即可 (`・ω・ ́)

aiohttp.ClientSession() as session: 创建一个session对象,然后用该session对象去打开网页。session可以进行多项操作,比如post, get, put等

代码中 await response.text() 等待网页数据返回

asyncio.get_event_loop创建线程,run_until_complete方法负责安排执行 tasks中的任务。tasks可以为单独的函数,也可以是列表。

import aiohttp 
import asyncio 
async def fetch_img_url(num):
 url = f'http://bbs.fengniao.com/forum/forum_101_{num}_lastpost.html' # 字符串拼接
 # 或者直接写成 url = 'http://bbs.fengniao.com/forum/forum_101_1_lastpost.html'
 print(url)
 headers = {
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6726.400 QQBrowser/10.2.2265.400',
 }
 async with aiohttp.ClientSession() as session:
 # 获取轮播图地址
 async with session.get(url,headers=headers) as response:
 try:
 html = await response.text() # 获取到网页源码
 print(html)
 
 except Exception as e:
 print("基本错误")
 print(e)
# 这部分你可以直接临摹
loop = asyncio.get_event_loop()
tasks = asyncio.ensure_future(fetch_img_url(1))
results = loop.run_until_complete(tasks)

上面代码最后一部分也可以写成

loop = asyncio.get_event_loop()
tasks = [fetch_img_url(1)]
results = loop.run_until_complete(asyncio.wait(tasks))

好了,如果你已经成果的获取到了源码,那么距离最终的目的就差那么一丢丢了。
修改代码为批量获取10页。
只需要修改tasks即可,在此运行,看到如下结果

tasks = [fetch_img_url(num) for num in range(1, 10)]

clipboard.png

下面的一系列操作和上一篇博客非常类似,找规律。
随便打开一个页面

http://bbs.fengniao.com/forum/forum_101_4_lastpost.html

点击一张图片,进入内页,在点击内页的一张图片,进入到一个轮播页面

clipboard.png

clipboard.png

再次点击进入图片播放页面

clipboard.png

最后我们在图片播放页面,找到源码中发现了所有的图片链接,那么问题出来了,如何从上面的第一个链接,转变成轮播图的链接???
下面的源码是在 http://bbs.fengniao.com/forum/pic/slide_101_10408464_89383854.html 右键查看源码。

clipboard.png

继续分析吧~~~~ ヾ(=・ω・=)o

http://bbs.fengniao.com/forum/forum_101_4_lastpost.html
转变成下面的链接?
http://bbs.fengniao.com/forum/pic/slide_101_10408464_89383854.html

继续看第一个链接,我们使用F12开发者工具,去抓取一个图片看看。

clipboard.png

图片中标黄色框的位置,发现了我们想要的数字,那么好了,我们只需要通过正则表达式把他们匹配出来就好了。
代码在下面####的位置,需要注意的是,我采用的原始的正则匹配,在编写正则表达式的过程中,我发现一步竟然没有完整匹配,只能分成两个步骤了,你可以看一下具体的细节o(╥_╥)o

1. 查找所有的图片<div class="picList">
2. 获取我们想要的两部分数字

async def fetch_img_url(num):
 url = f'http://bbs.fengniao.com/forum/forum_101_{num}_lastpost.html'
 print(url)
 headers = {
 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6726.400 QQBrowser/10.2.2265.400',
 }
 async with aiohttp.ClientSession() as session:
 # 获取轮播图地址
 async with session.get(url,headers=headers) as response:
 try:
 ###############################################
 url_format = "http://bbs.fengniao.com/forum/pic/slide_101_{0}_{1}.html"
 html = await response.text() # 获取到网页源码
 pattern = re.compile('<div class="picList">([\s\S.]*?)</div>')
 first_match = pattern.findall(html)
 href_pattern = re.compile('href="/forum/(\d+?)_p(\d+?)\.html')
 urls = [url_format.format(href_pattern.search(url).group(1), href_pattern.search(url).group(2)) for url in first_match]
 ##############################################
 except Exception as e:
 print("基本错误")
 print(e)

代码完成,我们已经获取到,我们想要的URL了,下面继续读取URL内部信息,然后匹配我们想要的图片链接

async def fetch_img_url(num):
 # 去抄上面的代码
 async with aiohttp.ClientSession() as session:
 # 获取轮播图地址
 async with session.get(url,headers=headers) as response:
 try:
 #去抄上面的代码去吧
 ################################################################
 for img_slider in urls:
 try:
 async with session.get(img_slider, headers=headers) as slider:
 slider_html = await slider.text() # 获取到网页源码
 try:
 pic_list_pattern = re.compile('var picList = \[(.*)?\];')
 pic_list = "[{}]".format(pic_list_pattern.search(slider_html).group(1))
 pic_json = json.loads(pic_list) # 图片列表已经拿到
 print(pic_json)
 except Exception as e:
 print("代码调试错误")
 print(pic_list)
 print("*"*100)
 print(e)
 except Exception as e:
 print("获取图片列表错误")
 print(img_slider)
 print(e)
 continue
 ################################################################
 print("{}已经操作完毕".format(url))
 except Exception as e:
 print("基本错误")
 print(e)

clipboard.png

图片最终的JSON已经拿到,最后一步,下载图片,当当当~~~~,一顿迅猛的操作之后,图片就拿下来了

async def fetch_img_url(num):
 # 代码去上面找
 async with aiohttp.ClientSession() as session:
 # 获取轮播图地址
 async with session.get(url,headers=headers) as response:
 try:
 # 代码去上面找
 for img_slider in urls:
 try:
 async with session.get(img_slider, headers=headers) as slider:
 # 代码去上面找
 ##########################################################
 for img in pic_json:
 try:
 img = img["downloadPic"]
 async with session.get(img, headers=headers) as img_res:
 imgcode = await img_res.read() # 图片读取
 with open("images/{}".format(img.split('/')[-1]), 'wb') as f:
 f.write(imgcode)
 f.close()
 except Exception as e:
 print("图片下载错误")
 print(e)
 continue
 ###############################################################
 except Exception as e:
 print("获取图片列表错误")
 print(img_slider)
 print(e)
 continue
 print("{}已经操作完毕".format(url))
 except Exception as e:
 print("基本错误")
 print(e)

图片会在你提前写好的images文件夹里面快速的生成

clipboard.png

tasks最多可以开1024协程,但是建议你开100个就OK了,太多并发,人家服务器吃不消。

以上操作执行完毕,在添加一些细节,比如保存到指定文件夹,就OK了。

本文来自:Segmentfault

感谢作者:梦想橡皮擦

查看原文:Python爬虫入门教程 7-100 蜂鸟网图片爬取之二

• 编辑
• 预览