python学习笔记（11）--爬虫下载漫画图片

说明：

1. 某本子网站爬虫，现在只实现了扒取一页，已经凌晨两点了，又饿又困，先睡觉，明天再写总结吧！

2. 我是明天，我来写总结了！

3. 这个网站的结构是这样的：

主页：

主页-第1页-漫画1封面-漫画1地址
-漫画2封面-漫画2地址
-漫画3封面-漫画3地址
-漫画4封面-漫画4地址
-漫画5封面-漫画5地址
-.........
-第2页-漫画1封面-漫画1地址
-漫画2封面-漫画2地址
-漫画3封面-漫画3地址
-漫画4封面-漫画4地址
-漫画5封面-漫画5地址
-.........
-第3页-漫画1封面-漫画1地址
-漫画2封面-漫画2地址
-漫画3封面-漫画3地址
-漫画4封面-漫画4地址
-漫画5封面-漫画5地址
-.........
...............

漫画封面点进去之后：

漫画1-第1页-图片地址1
-第2页-图片地址2
-第3页-图片地址3
-第4页-图片地址4
-.....
-第n页-图片地址n

4. 首先获取主页的html，因为上部和侧边栏都有一些推荐漫画，这些是不需要的，所以处理一下html，只保留主体漫画的html代码。

5. 正则匹配主页html，获取每个封面漫画的名字和地址，名字用来给文件夹取名，地址用来打开每个漫画并获取每个漫画的html。

6. 遍历主页第一页的所有封面漫画，正则匹配每个漫画的html，获取总页数（数组），第一张图片的真实地址（数组），其中真实地址需要提取出两个数字。

7. 开始新建文件夹，跳转到此文件夹（记得把每个文件夹的图片下载完后，跳转到上层文件夹，不然会一直创建子文件夹，导致目录太深，系统报错）

8. 遍历总页数，拼接每个漫画的每张图片的真实地址，下载到当前创建的文件夹里。同时print一下下载进度（正在下载的名字，页数）

9. 遍历完返回上级目录。

注意：

1. 想要增加退出功能，现在运行中只能是通过任务管理器关闭，我是用sublime的REPL运行的，如果是IDLE可能直接关闭就好了。不过我想要按esc退出，空格暂停功能，不知道能不能实现。

2. 现在只是主页的第一页，后面需要增加多页下载，给定一个参数n，下载n页。

3. 整理成函数。

1 import urllib.request
2 import re
3 import os
4
5 # 获取漫画网首页html
6 url = "http://www.yaoqmh.net/shaonvmanhua/list_4_1.html"
7 headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0'}
8 req = urllib.request.Request(url=url,headers=headers)
9 response = urllib.request.urlopen(url)
10 html = response.read().decode("utf-8")
11 # 处理一下html，只保留中间的本子，侧边和顶部的本子不要
12 startNum = html.find("mainleft")
13 endNum = html.find("mainright")
14 html = html[startNum:endNum]
15
16
17 # 从html获取本子编号，名字
18 # <a href="/shaonvmanhua/8389.html" class="pic show" title="里番H少女漫画之發情關係" target="_blank"><span class="bt">里番H少女漫画之發情關係</span> <span class="bg"></span><img class="scrollLoading" src="http://pic.taov5.com/1/615/183-1.jpg" xsrc="http://pic.taov5.com/1/615/183-1.jpg" alt="里番H少女漫画之發情關係" style="background:url(/static/images/loading.gif) no-repeat center;" width="150" height="185"></a>
19 #
20 # <img class="scrollLoading" src="http://pic.taov5.com/1/615/183-1.jpg" xsrc="http://pic.taov5.com/1/615/183-1.jpg" alt="里番H少女漫画之發情關係" style="background:url(/static/images/loading.gif) no-repeat center;" width="150" height="185">
21 regBookNum = r'href="/shaonvmanhua/(\d+)\.html"'
22 regName = r'title="(.+?)"'
23 bookNums = re.findall(regBookNum, html)
24 bookNames = re.findall(regName, html)
25 # print(bookNums)
26 # print(bookNames)
27
28 # 打开每个本子网页，获取总页数，第一张图片的网址
29 # <img alt="里番H少女漫画之發情關係" src="http://pic.taov5.com/1/615/143.jpg">
30 for i in range(len(bookNums)):
31     urlBook = "http://www.yaoqmh.net/shaonvmanhua/"+bookNums[i]+".html"
32     reqBook = urllib.request.Request(url=urlBook,headers=headers)
33     responseBook = urllib.request.urlopen(reqBook)
34     htmlBook = responseBook.read().decode("utf-8")
35     regPageNums = r"共(\d+)页:"
36     regImgStart1 = r"http://pic\.taov5\.com/1/(\d+)/\d+?\.jpg"
37     regImgStart2 = r"http://pic\.taov5\.com/1/\d+?/(\d+?)\.jpg"
38     pageNums = re.findall(regPageNums,htmlBook)#总页数，获得一个二维数组，有两个总页数标签
39     imgStart1 = re.findall(regImgStart1, htmlBook)#图片目录的第一个数字,findall返回一个数组
40     imgStart2 = re.findall(regImgStart2, htmlBook)#图片目录的第二个数字
41     # 每个本子新建文件夹，下载完一个本子要返回上一级目录！！不然会一直新建子文件夹！
42     os.mkdir(bookNames[i])#新建文件夹
43     os.chdir(bookNames[i])#跳转到指定目录
44     #记得后面要返回上级目录！！
45
46     # 开始页码和结束页码
47     rangeMin = int(imgStart2[0])
48     rangeMax = int(imgStart2[0]) + int(pageNums[0])
49     pageNums = int(pageNums[0])
50     # print(rangeMin)
51     # print(rangeMax)
52     # print(type(rangeMin))
53     # 打开每页，下载保存到这个名字的文件夹里
54     print("正在下载："+bookNames[i])#给个下载提示本子名
55     for j in range(pageNums):
56         urlImg = "http://pic.taov5.com/1/"+imgStart1[0]+"/"+str(rangeMin+j)+".jpg"
57         reqImg = urllib.request.Request(url=urlImg,headers=headers)
58         responseImg = urllib.request.urlopen(reqImg)
59         img = open(str(j)+".jpg","wb")
60         img.write(responseImg.read())
61         img.close()
62         print("已下载%d页，共%d页"%(j+1,pageNums))#提示下载几页了，放在后面比较好
63         # os.system("pause")
64     os.chdir(os.path.dirname(os.getcwd()))#返回上级目录
65 # 退出功能，下载哪一页,python按键停止运行