Python3爬虫学习笔记2.2——爬图片-妹子图

正是有失远迎，今天尝试爬取妹子图妹子图。
我们首先确认一下自己要爬取网页图片的规律。打开首页会发现每页都有10个写真集。url为 www.meizitu.com

现在我们打开第二页看下

这里就发现了一个问题，打开第二页后 ，下面的页面显示仍然为第1页；这个时候的页面中有30个写真集，页面的url为www.meizitu.com/a/list_1_1.html。
我们在该页面中任意点开一个写真集，每个写真集里边会有数张图片，这些图片证实我们想要了。
这是我们观察一下该页面的url，为：www.meizitu.com/a/5418.html。
可以选择直接访问图片页面的url来爬取，但是我们不确定页面的数字是否连续。所以我们选择先打开写真集列表页面，在打开写真集的页面的方式来访问，并保存我们想要的图片。

def getUrl(self,target_url,start_page,page_num):
        all_urls=[]
        for i in range(start_page,page_num+1):
            new_urls=re.sub('/list_1_\d','/list_1_%d'%i,target_url,re.S)
            all_urls.append(new_urls)
        return all_urls

用该代码可以得到所有待爬取写真集列表的url。然后再每个写真集的列表页面中，得到每个写真集的url。即

def getLink(self,page_link):
        page_html=requests.get(page_link,timeout=0.5)
        all_pic_link=re.findall('<a target=\'_blank\' href="(.*?)">',page_html.text,re.S)
        return all_pic_link

在该页面可以得到所有的图片，然后将其保存即可，整理代码如下。ps：改代码有点小问题，就是在最后几页的爬取过程中，图片的正则表达式不匹配，那几页的页面源码和最近页面的不一样。改一下正则表达式就可以了。

import re
import requests

class spider():
    def getUrl(self,target_url,start_page,page_num):
        all_urls=[]
        for i in range(start_page,page_num+1):
            new_urls=re.sub('/list_1_\d','/list_1_%d'%i,target_url,re.S)
            all_urls.append(new_urls)
        return all_urls

    def getLink(self,page_link):
        page_html=requests.get(page_link,timeout=0.5)
        all_pic_link=re.findall('<a target=\'_blank\' href="(.*?)">',page_html.text,re.S)
        return all_pic_link

    def getPic(self,page_url):
        pic_html=requests.get(page_url,timeout=0.5)
        all_pic_src=re.findall('<img alt=.*?src="(.*?)" /><br />',pic_html.text,re.S)
        return all_pic_src

    #需要提前新建文件夹
    def saveFile(self,pic_src,num):
        pic=requests.get(pic_src,timeout=0.5)
        f=open('pic\\'+str(num)+'.jpg','wb')
        f.write(pic.content)
        f.close



if __name__=='__main__':
    meizituSpider=spider()
    i=1
    url='http://www.meizitu.com/a/list_1_1.html'
    all_link=meizituSpider.getUrl(url,7,89)
    for link in all_link:
        print('准备爬取:'+link)
        all_pic_list=meizituSpider.getLink(link)
        for pic_url in all_pic_list:
            print(pic_url)
            all_pic=meizituSpider.getPic(pic_url)
            for pic_src in all_pic:
                #print(pic_src)
                try:
                    meizituSpider.saveFile(pic_src,i)
                    print(i)
                    i+=1
                except:
                    pass

下面是爬取到的图片。

老司机尽情飙车吧。