Python爬虫教程——美空网未登录图片爬取！这个网站这么多小姐姐

爬虫分析

首先，我们已经爬取到了N多的用户个人主页，我通过链接拼接获取到了

www.moko.cc/post/da39db…

在这个页面中，咱们要找几个核心的关键点，发现 平面拍摄 点击进入的是图片列表页面。 接下来开始代码走起。

获取所有列表页面

我通过上篇博客已经获取到了70000（实际测试50000+）用户数据，读取到python中。

这个地方，我使用了一个比较好用的python库pandas，大家如果不熟悉，先模仿我的代码就可以了，我把注释都写完整。

进群：960410445  即可获取惊喜大礼包！嘿嘿 你私信一下就行！

数据已经拿到，接下来我们需要获取图片列表页面，找一下规律，看到重点的信息如下所示，找对位置，就是正则表达式的事情了。

快速的编写一个正则表达式 <p class="title"><a hidefocus="ture".*?href="(.*?)" class="mwC u">.*?((d+?))</a></p>引入re,requests模块

import requests
import re
复制代码
# 获取图片列表页面
def get_img_list_page():
 # 固定一个地址，方便测试
 test_url = "http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/list.html"
 response = requests.get(test_url,headers=headers,timeout=3)
 page_text = response.text
 pattern = re.compile('<p class="title"><a hidefocus="ture".*?href="(.*?)" class="mwC u">.*?((d+?))</a></p>')
 # 获取page_list
 page_list = pattern.findall(page_text)
复制代码

运行得到结果

[('/post/da39db43246047c79dcaef44c201492d/category/304475/1.html', '85'), ('/post/da39db43246047c79dcaef44c201492d/category/304476/1.html', '2'), ('/post/da39db43246047c79dcaef44c201492d/category/304473/1.html', '0')]
复制代码

继续完善代码，我们发现上面获取的数据，有"0"的产生，需要过滤掉

获取到列表页的入口，下面就要把所有的列表页面全部拿到了,这个地方需要点击下面的链接查看一下

www.moko.cc/post/da39db…

本页面有分页，4页，每页显示数据 4*7=28 条 所以，基本计算公式为 math.ceil(85/28) 接下来是链接生成了，我们要把上面的链接，转换成

http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/category/304475/1.html
http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/category/304475/2.html
http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/category/304475/3.html
http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/category/304475/4.html
复制代码
page_count = math.ceil(int(totle)/28)+1
 for i in range(1,page_count):
 	# 正则表达式进行替换
 pages = re.sub(r'd+?.html',str(i)+".html",start_page)
 all_pages.append(base_url.format(pages))
复制代码

当我们回去到足够多的链接之后，对于初学者，你可以先干这么一步，把这些链接存储到一个csv文件中，方便后续开发

# 获取所有的页面
def get_all_list_page(start_page,totle):
 page_count = math.ceil(int(totle)/28)+1
 for i in range(1,page_count):
 pages = re.sub(r'd+?.html',str(i)+".html",start_page)
 all_pages.append(base_url.format(pages))
 print("已经获取到{}条数据".format(len(all_pages)))
 if(len(all_pages)>1000):
 pd.DataFrame(all_pages).to_csv("./pages.csv",mode="a+")
 all_pages.clear()
复制代码

让爬虫飞一会，我这边拿到了80000+条数据

好了，列表数据有了，接下来，我们继续操作这个数据，是不是感觉速度有点慢，代码写的有点LOW，好吧，我承认这是给新手写的 其实就是懒，我回头在用一篇文章把他给改成面向对象和多线程的

我们接下来基于爬取到的数据再次进行分析

例如 www.moko.cc/post/nimusi… 这个页面中，我们需要获取到，红色框框的地址，为什么要或者这个？因为点击这个图片之后进入里面才是完整的图片列表。

我们还是应用爬虫获取 几个步骤

1. 循环我们刚才的数据列表
2. 抓取网页源码
3. 正则表达式匹配所有的链接

def read_list_data():
 # 读取数据
 img_list = pd.read_csv("./pages.csv",names=["no","url"])["url"]
 # 循环操作数据
 for img_list_page in img_list:
 try:
 response = requests.get(img_list_page,headers=headers,timeout=3)
 except Exception as e:
 print(e)
 continue
 # 正则表达式获取图片列表页面
 pattern = re.compile('<a hidefocus="ture" alt="(.*?)".*? href="(.*?)".*?>VIEW MORE</a>')
 img_box = pattern.findall(response.text)
 need_links = [] # 待抓取的图片文件夹
 for img in img_box:
 need_links.append(img)
 # 创建目录
 file_path = "./downs/{}".format(str(img[0]).replace('/', ''))
 if not os.path.exists(file_path):
 os.mkdir(file_path) # 创建目录
 for need in need_links:
 	# 获取详情页面图片链接
 get_my_imgs(base_url.format(need[1]), need[0])
复制代码

上面代码几个重点地方

pattern = re.compile('<a hidefocus="ture" alt="(.*?)".*? href="(.*?)".*?>VIEW MORE</a>')
 img_box = pattern.findall(response.text)
 need_links = [] # 待抓取的图片文件夹
 for img in img_box:
 need_links.append(img)
复制代码

获取到抓取目录，这个地方，我匹配了两个部分，主要用于创建文件夹 创建文件夹需要用到 os 模块，记得导入一下

# 创建目录
 file_path = "./downs/{}".format(str(img[0]).replace('/', ''))
 if not os.path.exists(file_path):
 os.mkdir(file_path) # 创建目录
复制代码

获取到详情页面图片链接之后，在进行一次访问抓取所有图片链接

#获取详情页面数据
def get_my_imgs(img,title):
 print(img)
 headers = {
 "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"}
 response = requests.get(img, headers=headers, timeout=3)
 pattern = re.compile('<img src2="(.*?)".*?>')
 all_imgs = pattern.findall(response.text)
 for download_img in all_imgs:
 downs_imgs(download_img,title)
复制代码

最后编写一个图片下载的方法,所有的代码完成，图片保存本地的地址，用的是时间戳。

def downs_imgs(img,title):
 headers ={"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"}
 response = requests.get(img,headers=headers,timeout=3)
 content = response.content
 file_name = str(int(time.time()))+".jpg"
 file = "./downs/{}/{}".format(str(title).replace('/','').strip(),file_name)
 with open(file,"wb+") as f:
 f.write(content)
 print("完毕")
复制代码

运行代码，等着收图

代码运行一下，发现报错了

原因是路径的问题，在路径中出现了...这个特殊字符，我们需要类似上面处理 /的方式处理一下。自行处理一下吧。

数据获取到，就是这个样子的

代码中需要完善的地方

1. 代码分成了两部分，并且是面向过程的，非常不好，需要改进
2. 网络请求部分重复代码过多，需要进行抽象，并且加上错误处理，目前是有可能报错的
3. 代码单线程，效率不高，可以参照前两篇文章进行改进
4. 没有模拟登录，最多只能爬取6个图片，这也是为什么先把数据保存下来的原因，方便后期直接改造