摘要:為了以后的網(wǎng)絡(luò)請求操作方向,我們這次簡單的進(jìn)行一些代碼的封裝操作。接下來,就是比較重要的爬蟲代碼部分了。這一次,我們可以簡單的使用一下類和對象,并且加上簡單的多線程操作。最后附上部分的代碼,讓我們的代碼跑起來一會(huì)過后,就慢慢收圖吧
獲取待爬取頁面
今天繼續(xù)爬取一個(gè)網(wǎng)站,http://www.27270.com/ent/meinvtupian/ 這個(gè)網(wǎng)站具備反爬,so我們下載的代碼有些地方處理的也不是很到位,大家重點(diǎn)學(xué)習(xí)思路,有啥建議可以在評論的地方跟我說說。
為了以后的網(wǎng)絡(luò)請求操作方向,我們這次簡單的進(jìn)行一些代碼的封裝操作。
在這里你可以先去安裝一個(gè)叫做 retrying 的模塊
pip install retrying
這個(gè)模塊的具體使用,自己去百度吧。嘿嘿噠~
在這里我使用了一個(gè)隨機(jī)產(chǎn)生user_agent的方法
import requests from retrying import retry import random import datetime class R: def __init__(self,method="get",params=None,headers=None,cookies=None): # do something def get_headers(self): user_agent_list = [ "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1" "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6", "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1", "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5", "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3", "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24", "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24" ] UserAgent = random.choice(user_agent_list) headers = {"User-Agent": UserAgent} return headers #other code
retrying 最簡單的使用就是給你想不斷重試的方法加上 裝飾器 @retry
在這里,我希望網(wǎng)絡(luò)請求模塊嘗試3次之后,在報(bào)錯(cuò)!
同時(shí)在R類初始化方法中增加一些必備的參數(shù),你可以直接看下面的代碼
__retrying_requests 方法為私有方法,其中根據(jù)get和post方式進(jìn)行邏輯判斷
import requests from retrying import retry import random import datetime class R: def __init__(self,method="get",params=None,headers=None,cookies=None): #do something def get_headers(self): # do something @retry(stop_max_attempt_number=3) def __retrying_requests(self,url): if self.__method == "get": response = requests.get(url,headers=self.__headers,cookies=self.__cookies,timeout=3) else: response = requests.post(url,params=self.__params,headers=self.__headers,cookies=self.__cookies,timeout=3) return response.content # other code
網(wǎng)絡(luò)請求的方法已經(jīng)聲明完畢,并且返回 response.content 數(shù)據(jù)流
下面基于這個(gè)私有方法,增加一個(gè)獲取網(wǎng)絡(luò)文本的方法和一個(gè)獲取網(wǎng)絡(luò)文件的方法。同步完善類的初始化方法,在開發(fā)中發(fā)現(xiàn),我們要爬取的網(wǎng)頁編碼是gb2312 所以還需要給某些方法增加一個(gè)編碼參數(shù)
import requests from retrying import retry import random import datetime class R: # 類的初始化方法 def __init__(self,method="get",params=None,headers=None,cookies=None): self.__method = method myheaders = self.get_headers() if headers is not None: myheaders.update(headers) self.__headers = myheaders self.__cookies = cookies self.__params = params def get_headers(self): # do something @retry(stop_max_attempt_number=3) def __retrying_requests(self,url): # do something # get請求 def get_content(self,url,charset="utf-8"): try: html_str = self.__retrying_requests(url).decode(charset) except: html_str = None return html_str def get_file(self,file_url): try: file = self.__retrying_requests(file_url) except: file = None return file
到此,這個(gè)R類已經(jīng)被我們完善了,完整的代碼,你應(yīng)該從上面拼湊起來,你也可以直接翻到文章最后面,去github上直接查閱。
接下來,就是比較重要的爬蟲代碼部分了。這一次,我們可以簡單的使用一下類和對象,并且加上簡單的多線程操作。
首先,創(chuàng)建一個(gè) ImageList 類,這個(gè)類第一件事情,需要獲取我們爬取頁面的總頁碼數(shù)目
這個(gè)步驟比較簡單
獲取網(wǎng)頁源碼
正則匹配末頁元素
提取數(shù)字
import http_help as hh # 這個(gè)http_help 是我上面寫到的那個(gè)R類 import re import threading import time import os import requests # 獲取所有待爬取的URL列表 class ImageList(): def __init__(self): self.__start = "http://www.27270.com/ent/meinvtupian/list_11_{}.html" # URL模板 # 頭文件 self.__headers = {"Referer":"http://www.27270.com/ent/meinvtupian/", "Host":"www.27270.com" } self.__res = hh.R(headers=self.__headers) # 初始化訪問請求 def run(self): page_count = int(self.get_page_count()) if page_count==0: return urls = [self.__start.format(i) for i in range(1,page_count)] return urls # 正則表達(dá)式匹配末頁,分析頁碼 def get_page_count(self): # 注意這個(gè)地方需要傳入編碼 content = self.__res.get_content(self.__start.format("1"),"gb2312") pattern = re.compile("
上面的代碼注意get_page_count方法,該方法已經(jīng)獲取到了末尾的頁碼
我們在run方法內(nèi)部,通過一個(gè)列表生成器
urls = [self.__start.format(i) for i in range(1,page_count)]
批量把要爬取的所有鏈接都生成完畢。
分析上面爬取到的URL列表,捕獲詳情頁我們采用生產(chǎn)者和消費(fèi)者模型,就是一個(gè)抓取鏈接圖片,一個(gè)下載圖片,采用多線程的方式進(jìn)行操作,需要首先引入
import threading import time
完整代碼如下
import http_help as hh import re import threading import time import os import requests urls_lock = threading.Lock() #url操作鎖 imgs_lock = threading.Lock() #圖片操作鎖 imgs_start_urls = [] class Product(threading.Thread): # 類的初始化方法 def __init__(self,urls): threading.Thread.__init__(self) self.__urls = urls self.__headers = {"Referer":"http://www.27270.com/ent/meinvtupian/", "Host":"www.27270.com" } self.__res = hh.R(headers=self.__headers) # 鏈接抓取失敗之后重新加入urls列表中 def add_fail_url(self,url): print("{}該URL抓取失敗".format(url)) global urls_lock if urls_lock.acquire(): self.__urls.insert(0, url) urls_lock.release() # 解鎖 # 線程主要方法 def run(self): print("*"*100) while True: global urls_lock,imgs_start_urls if len(self.__urls)>0: if urls_lock.acquire(): # 鎖定 last_url = self.__urls.pop() # 獲取urls里面最后一個(gè)url,并且刪除 urls_lock.release() # 解鎖 print("正在操作{}".format(last_url)) content = self.__res.get_content(last_url,"gb2312") # 頁面注意編碼是gb2312其他格式報(bào)錯(cuò) if content is not None: html = self.get_page_list(content) if len(html) == 0: self.add_fail_url(last_url) else: if imgs_lock.acquire(): imgs_start_urls.extend(html) # 爬取到圖片之后,把他放在待下載的圖片列表里面 imgs_lock.release() time.sleep(5) else: self.add_fail_url(last_url) else: print("所有鏈接已經(jīng)運(yùn)行完畢") break def get_page_list(self,content): # 正則表達(dá)式 pattern = re.compile("
上述代碼中比較重要的有
threading.Lock() 鎖的使用,在多個(gè)線程之間操作全局變量,需要進(jìn)行及時(shí)的鎖定;
其他的注意內(nèi)容,我已經(jīng)添加在注釋里面,只要你按著步驟一點(diǎn)點(diǎn)的寫,并且加入一些自己微妙的理解,就可以搞定。
到現(xiàn)在為止,我們已經(jīng)抓取到了所有的圖片地址,我把他存放在了一個(gè)全局的變量里面 imgs_start_urls
那么現(xiàn)在又來了
這個(gè)列表里面存放的是 http://www.27270.com/ent/meinvtupian/2018/298392.html 這樣的地址,當(dāng)你打開這個(gè)頁面之后,你會(huì)發(fā)現(xiàn)只有一張圖片 ,并且下面有個(gè)分頁。
點(diǎn)擊分頁之后,就知道規(guī)律了
http://www.27270.com/ent/meinvtupian/2018/298392.html http://www.27270.com/ent/meinvtupian/2018/298392_2.html http://www.27270.com/ent/meinvtupian/2018/298392_3.html http://www.27270.com/ent/meinvtupian/2018/298392_4.html ....
當(dāng)你進(jìn)行多次嘗試之后,你會(huì)發(fā)現(xiàn),后面的鏈接完全可以靠拼接完成,如果沒有這個(gè)頁面,那么他會(huì)顯示?
好了,如果你進(jìn)行了上面的操作,你應(yīng)該知道接下來怎么實(shí)現(xiàn)啦!
我把所有的代碼,都直接貼在下面,還是用注釋的方式給大家把最重要的地方標(biāo)注出來
class Consumer(threading.Thread): # 初始化 def __init__(self): threading.Thread.__init__(self) self.__headers = {"Referer": "http://www.27270.com/ent/meinvtupian/", "Host": "www.27270.com"} self.__res = hh.R(headers=self.__headers) # 圖片下載方法 def download_img(self,filder,img_down_url,filename): file_path = "./downs/{}".format(filder) # 判斷目錄是否存在,存在創(chuàng)建 if not os.path.exists(file_path): os.mkdir(file_path) # 創(chuàng)建目錄 if os.path.exists("./downs/{}/{}".format(filder,filename)): return else: try: # 這個(gè)地方host設(shè)置是個(gè)坑,因?yàn)閳D片為了防止盜鏈,存放在另一個(gè)服務(wù)器上面 img = requests.get(img_down_url,headers={"Host":"t2.hddhhn.com"},timeout=3) except Exception as e: print(e) print("{}寫入圖片".format(img_down_url)) try: # 圖片寫入不在贅述 with open("./downs/{}/{}".format(filder,filename),"wb+") as f: f.write(img.content) except Exception as e: print(e) return def run(self): while True: global imgs_start_urls,imgs_lock if len(imgs_start_urls)>0: if imgs_lock.acquire(): # 鎖定 img_url = imgs_start_urls[0] #獲取到鏈接之后 del imgs_start_urls[0] # 刪掉第0項(xiàng) imgs_lock.release() # 解鎖 else: continue # http://www.27270.com/ent/meinvtupian/2018/295631_1.html #print("圖片開始下載") img_url = img_url[0] start_index = 1 base_url = img_url[0:img_url.rindex(".")] # 字符串可以當(dāng)成列表進(jìn)行切片操作 while True: img_url ="{}_{}.html".format(base_url,start_index) # url拼接 content = self.__res.get_content(img_url,charset="gbk") # 這個(gè)地方獲取內(nèi)容,采用了gbk編碼 if content is not None: pattern = re.compile("[sS.]*?img alt="(.*?)".*? src="(.*?)" />") # 匹配圖片,匹配不到就代表本次操作已經(jīng)完畢 img_down_url = pattern.search(content) # 獲取到了圖片地址 if img_down_url is not None: filder = img_down_url.group(1) img_down_url = img_down_url.group(2) filename = img_down_url[img_down_url.rindex("/")+1:] self.download_img(filder,img_down_url,filename) #下載圖片 else: print("-"*100) print(content) break # 終止循環(huán)體 else: print("{}鏈接加載失敗".format(img_url)) if imgs_lock.acquire(): # 鎖定 imgs_start_urls.append(img_url) imgs_lock.release() # 解鎖 start_index+=1 # 上文描述中,這個(gè)地方需要不斷進(jìn)行+1操作所有的代碼都在上面了,關(guān)鍵的地方我盡量加上了標(biāo)注,你可以細(xì)細(xì)的看一下,實(shí)在看不明白,就多敲幾遍,因?yàn)闆]有特別復(fù)雜的地方,好多都是邏輯。
最后附上main部分的代碼,讓我們的代碼跑起來
if __name__ == "__main__": img = ImageList() urls = img.run() for i in range(1,2): p = Product(urls) p.start() for i in range(1,2): c = Consumer() c.start()一會(huì)過后,就慢慢收圖吧
文章版權(quán)歸作者所有,未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為,您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請注明本文地址:http://specialneedsforspecialkids.com/yun/43875.html
摘要:為了以后的網(wǎng)絡(luò)請求操作方向,我們這次簡單的進(jìn)行一些代碼的封裝操作。接下來,就是比較重要的爬蟲代碼部分了。這一次,我們可以簡單的使用一下類和對象,并且加上簡單的多線程操作。最后附上部分的代碼,讓我們的代碼跑起來一會(huì)過后,就慢慢收圖吧 獲取待爬取頁面 今天繼續(xù)爬取一個(gè)網(wǎng)站,http://www.27270.com/ent/meinvtupian/ 這個(gè)網(wǎng)站具備反爬,so我們下載的代碼有...
閱讀 1652·2021-08-13 15:03
閱讀 2082·2019-08-30 15:54
閱讀 3544·2019-08-26 10:30
閱讀 1020·2019-08-26 10:22
閱讀 2746·2019-08-23 14:42
閱讀 1809·2019-08-22 11:16
閱讀 1038·2019-08-21 18:33
閱讀 3159·2019-08-21 17:28