【python--爬虫】斗图啦表情包爬虫

前言

你还在，你还在，头悬梁锥刺股。
下，下，下，表情包吗？
你还以为盗个图战胜小学生。
就能成为斗图王吗？
你还把会做图当成斗图资本吗？
你还为斗不过图而痛哭流泪吗？
No no no no no
No no no no no no no
人生苦短
Q群数十小学生变身斗图王的梦想
你可以复制
是时候写个爬虫了

前提准备

本次教程将为您讲解如何爬取斗图啦网的表情包，网址链接：http://www.doutula.com
为完美食用本次教程，需要亲先提前准备好以下编程环境：
python3【博主使用的是3.7】
requests库【版本无要求】
lxml库【需要含有etree模块的才行，博主使用的是4.3.3】
火狐浏览器【这个不一定，看个人习惯】

网页分析

打开斗图啦首页【http://www.doutula.com】。
我们可以看到有许多的表情包，但是我们不是每次都会发全部类型的表情包。
通常采取的是发送符合某个主题或关键字的表情包，所以我们就需要搜索功能。
在红框处的搜索框中输入【女装大佬】，尝试搜索以女装大佬为关键字的表情包，看看网址有何变化。
搜索之后将会打开如下链接【http://www.doutula.com/search?keyword=女装大佬 】，页面内容如下：
我们可以发现url中【keyword】的参数就是我们搜索的关键字【女装大佬】
我们可以大胆的猜测下通过修改【keyword】的值就可以得到对应关键字的表情包的搜索页。
尝试一：
修改【keyword】的值为【金馆长】，看看能否打开金馆长的搜索页面。修改后的网址为：
【http://www.doutula.com/search?keyword=金馆长】
看着页面上桀骜不羁的笑脸，就知道我们打开了金馆长表情包的搜索页
我们再做一次尝试验证我们的想法。

尝试二：
修改【keyword】的值为【你好骚啊】，看看能否打开【品如的衣柜】。修改后的网址为：
http://www.doutula.com/search?keyword=你好骚啊
看着这样欲笑又止的侧脸，我知道我成功的打开了品如的衣柜(。・∀・)ノ

看到这证明我们猜想是对的，搜索页是通过url中【keyword】的值控制的
我们回到【女装大佬】的搜索页，链接地址：【http://www.doutula.com/search?keyword=女装大佬 】，看看如何获取图片的url。
我们再图中红框处的国民扳手的图片上【右键】选择【查看元素】，提取处图片的url地址
【http://img.doutula.com/production/uploads/image/2019/03/28/20190328703619_OEuNCP.jpg】
我们在打开这个网址，看看对应的是不是国服扳手的表情包
没错，就是那张图片，现在回到【女装大佬】搜索页
按【ctrl】+【u】打开页面源代码

按【ctrl】+【f】打开快速搜索框
在搜索框中粘贴上我们前面获取的图url，查看在url处于源码里哪个标签中。
图片url：【http://img.doutula.com/production/uploads/image/2019/03/28/20190328703619_OEuNCP.jpg】
可以看到处于含有class属性值为【“img-responsive lazy image_dtb”】的img标签中的【data-backup】属性里

最后我们在总结下：
1.通过修改url【http://www.doutula.com/search?keyword=】中【keyword】的值可以打开不同内容的搜索页
2.图片url在网页源码中含有class属性值为【“img-responsive lazy image_dtb”】的img标签中的【data-backup】属性里

现在我们有了思路可以开始写代码了。

代码拆解

1. 我们创建一个名为名为【斗图啦爬虫.py】的Python程序文件，并在当前目录中创建一个名为【img】的文件夹作为后期的图片保存使用

2. 接下来就是老生常谈的设置程序信息和导入模块了

# -*- coding:utf-8 -*-
#作者：猫先生的早茶
#时间：2019年8月23日

from lxml import etree
import requests

第一行# -*- coding:utf-8 -*-代表设置程序运行时使用的默认编码为utf-8
第二行和第三行分别时记录作者和创作时间
第四行from lxml import etree 从lxml库中导入etree模块，用于后期从网页代码中提取内容
第五行import requests导入requests模块，用于从网站获取资源

3.创建类与函数

class DouTuLa():
    def __init__(self,key):
        """参数设置"""
        self.key = key
        
    def main(self):
        """控制程序运行"""
        pass
doutula = DouTuLa('女装大佬')
doutula.main()

第一行class DouTuLa():我们设置了一个名为DouTuLa的函数
第二至四行我们设置使用这个函数时需要传出一个key关键字，并且将关键字的内容保存到变量self.key中，key关键字用于存储我们要搜索的关键字
第六行至第八行我们设置了一个名为main的函数用于控制程序运行
第九行至第十行我们给类DouTuLa创建了一个doutula实例，并传入了参数【女装大佬】作为表情包搜索参数

扫描二维码关注公众号，回复： 9871137 查看本文章

4.在__init__函数中添加一些程序中后面要使用的变量

    def __init__(self,key):
        """参数设置"""
        #设置搜索的表情包关键字
        self.key = key
        #生成表情包搜索页面url
        self.url = "http://www.doutula.com/search?keyword={}".format(key)
        #设置网页请求头
        self.headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:66.0) Gecko/20100101 Firefox/66.0'}

5.网页下载函数

    def get_html(self,url):
        """下载网页"""
        return requests.get(url,headers=self.headers).text

我们定义了一个get_html函数，函数使用时需要传入url作为下载的网页网址。
将下载到的网页作为返回值弹出。
6.图片下载函数
我们定义一个图片下载函数，用于下载并保存图片

    def get_img(self,url):
        """下载用户指定的图片"""
        img = requests.get(url,headers=self.headers).content
        file = 'img\\{}'.format(self.key)+url.split('/')[-1]
        with open (file,'wb') as save_img:
            save_img.write(img)

第一行我们定义了一个名为get_img的函数用于下载保存图片，调用时需要传入图片的url
第三行我们使用requests下载图片并保存到img变量中
第四行我们设置了文件名
第五行至第六行我们将图片保存
7.主函数

    def main(self):
        """控制程序运行"""
        #下载网页
        html=self.get_html(self.url)
        #将网页转换为etree格式
        html_etree = etree.HTML(html)
        #提取图片url
        img_urls = html_etree.xpath('//img[@class="img-responsive lazy image_dtb"]/@data-backup')
        #循环提取处图片url
        for img_url in img_urls:
            self.get_img(img_url)

第四行我们先下载网页
第六行我们将网页转化为etree格式
第八行我们从网页中匹配处图片url
第十行至第十一行我们循环提取出图片url并下载保存
8.效果展示

完整代码

# -*- coding:utf-8 -*-
#作者：猫先生的早茶
#时间：2019年8月23日

from lxml import etree
import requests

class DouTuLa():
    def __init__(self,key):
        """参数设置"""
        #设置搜索的表情包关键字
        self.key = key
        #生成表情包搜索页面url
        self.url = "http://www.doutula.com/search?keyword={}".format(key)
        #设置网页请求头
        self.headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:66.0) Gecko/20100101 Firefox/66.0'}

    def get_html(self,url):
        """下载网页"""
        return requests.get(url,headers=self.headers).text

    def get_img(self,url):
        """下载用户指定的图片"""
        img = requests.get(url,headers=self.headers).content
        file = 'img\\{}'.format(self.key)+url.split('/')[-1]
        with open (file,'wb') as save_img:
            save_img.write(img)
   
        
    def main(self):
        """控制程序运行"""
        #下载网页
        html=self.get_html(self.url)
        #将网页转换为etree格式
        html_etree = etree.HTML(html)
        #提取图片url
        img_urls = html_etree.xpath('//img[@class="img-responsive lazy image_dtb"]/@data-backup')
        #循环提取处图片url
        for img_url in img_urls:
            self.get_img(img_url)
            
doutula = DouTuLa('女装大佬')
doutula.main()