1. 蜂鸟网图片简介
国庆假日终了了,新的事变又最先了,本日我们继承爬取一个网站,这个网站为 http://image.fengniao.com/
,蜂鸟一个拍照大牛群集的处所,本教程请用来进修,不要用于贸易目标,不出不测,蜂鸟是有版权庇护的网站。
2. 蜂鸟网图片网站剖析
第一步,剖析要爬取的网站有无要领爬取,翻开页面,找分页
http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page=1¬_in_id=5352384,5352410
http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page=2¬_in_id=5352384,5352410
http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page=3¬_in_id=5352384,5352410
http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page=4¬_in_id=5352384,5352410
上面的页面发明一个症结的参数page=1
这个就是页码了,然则另一个比较头疼的问题是,他没有末了的页码,如许我们没有办法肯定轮回次数,所以背面的代码编写中,只能运用while
了
这个地点返回的是JSON花样的数据,这个对爬虫来讲,异常友爱!省的我们用正则表达式剖析了。
剖析这个页面的头文件,查阅是不是有反爬步伐
发明除了HOST和User-Agent之外,没有特别的点,大网站就是率性,没啥反爬,能够压根不在乎这个事变。
第二步,剖析图片概况页面,在我们上面获取到的JSON中,找到症结地点
症结地点翻开以后,这个处一切一个比较骚的操纵了,上面图片中标注的URL选的不好,恰好是一个文章了,我们要的是组图,从新供应一个新链接 http://image.fengniao.com/slide/535/5352130_1.html#p=1
翻开页面,你能够直接去找规律了,找到下面的一堆链接,然则这个操纵就有点庞杂了,我们查阅上述页面的源码
http://image.fengniao.com/slide/535/5352130_1.html#p=1
http://image.fengniao.com/slide/535/5352130_1.html#p=2
http://image.fengniao.com/slide/535/5352130_1.html#p=3
....
网页源码中发明了,这么一块地区
斗胆勇敢的猜想一下,这个应该是图片的JSON,只是他打印在了HTML中,我们只需要用正则表达式举行一下婚配就好了,婚配到以后,然后举行下载。
第三步,最先撸代码。
3. 蜂鸟网图片写代码
from http_help import R # 这个文件本身去上篇博客找,或许去github找
import threading
import time
import json
import re
img_list = []
imgs_lock = threading.Lock() #图片操纵锁
# 生产者类
class Product(threading.Thread):
def __init__(self):
threading.Thread.__init__(self)
self.__headers = {"Referer":"http://image.fengniao.com/",
"Host": "image.fengniao.com",
"X-Requested-With":"XMLHttpRequest"
}
#链接模板
self.__start = "http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page={}¬_in_id={}"
self.__res = R(headers=self.__headers)
def run(self):
# 由于不知道轮回次数,一切采纳while轮回
index = 2 #肇端页码设置为1
not_in = "5352384,5352410"
while True:
url = self.__start.format(index,not_in)
print("最先操纵:{}".format(url))
index += 1
content = self.__res.get_content(url,charset="gbk")
if content is None:
print("数据能够已没有了====")
continue
time.sleep(3) # 就寝3秒
json_content = json.loads(content)
if json_content["status"] == 1:
for item in json_content["data"]:
title = item["title"]
child_url = item["url"] # 获取到链接以后
img_content = self.__res.get_content(child_url,charset="gbk")
pattern = re.compile('"pic_url_1920_b":"(.*?)"')
imgs_json = pattern.findall(img_content)
if len(imgs_json) > 0:
if imgs_lock.acquire():
img_list.append({"title":title,"urls":imgs_json}) # 这个处所,我用的是字典+列表的体式格局,主如果想背面天生文件夹用,你能够举行革新
imgs_lock.release()
上面的链接已天生,下面就是下载图片了,也异常简朴
# 消费者
class Consumer(threading.Thread):
def __init__(self):
threading.Thread.__init__(self)
self.__res = R()
def run(self):
while True:
if len(img_list) <= 0:
continue # 进入下一次轮回
if imgs_lock.acquire():
data = img_list[0]
del img_list[0] # 删除第一项
imgs_lock.release()
urls =[url.replace("\\","") for url in data["urls"]]
# 建立文件目次
for item_url in urls:
try:
file = self.__res.get_file(item_url)
# 记得在项目根目次先把fengniaos文件夹建立终了
with open("./fengniaos/{}".format(str(time.time())+".jpg"), "wb+") as f:
f.write(file)
except Exception as e:
print(e)
代码走起,效果