版权声明:归所有菜鸟所有 https://blog.csdn.net/weixin_41752475/article/details/89682563
# 爬虫:抓美女套图
# 目标网址:http://www.xingmeng365.com/
import tkinter as tk
from bs4 import BeautifulSoup
import requests
import os
import urllib.request
# 在mian.py当前位置创建图片收集的文件夹Photos
if not os.path.exists('Photos'):
os.makedirs('Photos')
num = 1
image_list = []
id = 7
while (id <= 559):
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0'}
url = requests.get('http://www.xingmeng365.com/articles.asp?id=' + str(id), headers=headers)
# 此处用 “,str(id)” 的话,逗号打印出来会变成 “id=&2”
print("当前爬取的网址为:" + url.url)
html_doc = url.text
# 此处用url不带".text"的话报错,Python: object of type 'Response' has no len()
# 错误解决
# https://stackoverflow.com/questions/36709165/python-object-of-type-response-has-no-len
soup = BeautifulSoup(html_doc, "lxml")
for link in soup.find_all('img'):
if "/upload" in link.get('src'):
# id=7以后,"../../"改为"/upload"
image_url = link.get('src')
# 获得的图片地址有错,需要改成
# http://www.xingmeng365.com/upload/image/20170811/20170811203590079007.jpg
# 即把 “../../” 改为 “http://www.xingmeng365.com/”
# id=7 以后为/upload/image/20170811/20170811210596789678.jpg
# 即http://www.xingmeng365.com/upload/image/20170811/20170811210545754575.jpg
image_url = "http://www.xingmeng365.com/" + image_url[1:]
# id=7以后,[6:]改为[1:]
print("开始下载第" + str(num + 1) + "张图片:" + image_url)
file = open('Photos/' + str(num) + '.jpg', "wb")
req = urllib.request.Request(url=image_url, headers=headers)
try:
image = urllib.request.urlopen(req, timeout=10)
pic = image.read()
except Exception as e:
print("第" + str(num + 1) + "张图片访问超时,下载失败:" + image_url)
continue
# 遇到错误,网站反爬虫
# urllib.error.HTTPError: HTTP Error 403: Forbidden
# 原因是这里urllib.request方法还需要加入“, headers=headers”
# 头文件来欺骗,以为我们是客户端访问
file.write(pic)
print("第" + str(num + 1) + "张图片下载成功")
file.close()
num = num + 1
id = id + 1
import requests
from bs4 import BeautifulSoup
import os
class mzitu():
def __init__(self):
self.headers = {
'User-Agent': "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"}
def all_url(self, url):
html = self.request(url) ##调用request函数把套图地址传进去会返回给我们一个response
all_a = BeautifulSoup(html.text, 'lxml').find('div', class_='all').find_all('a')
# 页面更改 多了一个早期图片 需要删掉(小伙伴们 可以自己尝试处理一下这个页面)
all_a.pop(0)
# 上面是删掉列表的第一个元素
for a in all_a:
title = a.get_text()
print(u'开始保存:', title) ##加点提示不然太枯燥了
path = str(title).replace("?", '_') ##我注意到有个标题带有 ? 这个符号Windows系统是不能创建文件夹的所以要替换掉
self.mkdir(path) ##调用mkdir函数创建文件夹!这儿path代表的是标题title哦!!!!!不要糊涂了哦!
href = a['href']
self.html(href) ##调用html函数把href参数传递过去!href是啥还记的吧? 就是套图的地址哦!!不要迷糊了哦!
def html(self, href): ##这个函数是处理套图地址获得图片的页面地址
html = self.request(href)
self.headers['referer'] = href
max_span = BeautifulSoup(html.text, 'lxml').find('div', class_='pagenavi').find_all('span')[-2].get_text()
for page in range(1, int(max_span) + 1):
page_url = href + '/' + str(page)
self.img(page_url) ##调用img函数
def img(self, page_url): ##这个函数处理图片页面地址获得图片的实际地址
img_html = self.request(page_url)
img_url = BeautifulSoup(img_html.text, 'lxml').find('div', class_='main-image').find('img')['src']
self.save(img_url)
def save(self, img_url): ##这个函数保存图片
name = img_url[-9:-4]
img = self.request(img_url)
f = open(name + '.jpg', 'ab')
f.write(img.content)
f.close()
def mkdir(self, path): ##这个函数创建文件夹
path = path.strip()
isExists = os.path.exists(os.path.join("D:\mzitu", path))
if not isExists:
print(u'建了一个名字叫做', path, u'的文件夹!')
os.makedirs(os.path.join("D:\mzitu", path))
os.chdir(os.path.join("D:\mzitu", path)) ##切换到目录
return True
else:
print(u'名字叫做', path, u'的文件夹已经存在了!')
return False
def request(self, url): ##这个函数获取网页的response 然后返回
content = requests.get(url, headers=self.headers)
return content
Mzitu = mzitu() ##实例化
Mzitu.all_url('http://www.mzitu.com/all') ##给函数all_url传入参数 你可以当作启动爬虫(就是入口)