从XKCD网站下载自动所有漫画图片---python实现

       经常跟新的网站通常有一个首页，其中有最新的帖子，以及一个“前一篇”(或上一页)按钮，用来跳转到以前的帖子。然后那个帖子也有一个“前一篇”的按钮，以此内推。这创建了一条线索，从最近的页面，直到该网站的第一个帖子，如果你希望拷贝该网站的内容，在离线的时候阅读，可以手工导航到每个页面并保存。但这是很无聊的工作，这里可以写一个程序来实现这个操作。

      XKCD是一个流行的极客漫画网站，它符合这个结构(如图1所示)。首页http://xkcd.com/有一个“Prev”按钮，让用户导航到前面的漫画。手动下载每张漫画需要花费较长时间，因此可以写一个脚本，在几分钟内完成这件事。   


                                                                                  图1   XKCD漫画网站首页

    下面是程序要做的事情：

         （1） 加载主页

         （2） 保存该页的漫画图片

         （3） 转入前一张漫画的连接

         （4） 重复直到第一张漫画

       这意味着代码需要做下列事情：

         （1） 利用requests模块下载页面

         （2） 利用Beautiful Soup找到页面中漫画图像的URL

         （3） 利用iter_content()下载漫画图像，并保存到硬盘。

         （4） 找到前一张漫画的链接URL，然后重复。

       打开一个新的文件编辑器窗口，将它保存为downloadXkcd.py

完整程序如下：

#-*-coding:utf-8-*-
#! python3
# downloadXkcd.py - Downloads every single XKCD cominc.

import requests,os,bs4

url = 'http://xkcd.com' # starting url
os.makedirs('xkcd',exist_ok=True) # store comics in ./xkcd
while not url.endswith('#'):
# Download the page
print('Downloading page %s...'% url)
res = requests.get(url)
res.raise_for_status()
soup = bs4.BeautifulSoup(res.text,"html.parser")
# Find the URL of the comic image.
comicElem = soup.select('#comic img')
if comicElem == []:
print('Could not find comic image.')
else:
comicUrl = 'http:' + comicElem[0].get('src')
# Download the image.
print('Downloading image %s...'% (comicUrl))
res = requests.get(comicUrl)
res.raise_for_status()
# Save the image to ./xkcd.
imageFile = open(os.path.join('xkcd',os.path.basename(comicUrl)),'wb')
for chunk in res.iter_content(100000):
imageFile.write(chunk)
imageFile.close()
# Get the Prev button's url.
prevLink = soup.select('a[rel="prev"]')[0]
url = 'http://xkcd.com' + prevLink.get('href')

print('Done.')
       第一步：设计程序

       打开一个浏览器的开发者工具，例如谷歌chrome浏览器的位于右上角自定义控制按钮（三个竖点处）,如图2所示。    

 
        

                                                                       图2   谷歌浏览器开发者工具位置

     接着检查该页面上的元素，你会发现下面的内容：

    （1） 漫画图像文件的URL，由一个<img>元素的href属性给出

    （2） <img>元素在<div id="comic">元素之内

    （3） Prev按钮有一个rel HTML属性，值是prev

    （4）第一张漫画的Prev按钮链接到http://xkcd.com/# URL,表明没有前一个页面了

      你会有一个url变量，开始的值是'http://xkcd.com',然后反复更新（在一个for循环中），变成当前页面的Prev链接的URL。在循环的每一步，米浆下载URL上的漫画。如果URL是以‘#’结束，你就知道结束循环。

      将图像文件下载到当前目录的一个名为xkcd的文件夹中。调用os.makedirs()函数。确保这个文件夹存在，并且关键字参数exist_ok=true在该文件夹已经存在时，防止该函数抛出异常。

      第二步：下载网页

      首先打印url，这样用户就知道程序要下载哪个URL。然后利用requests模块的request.get()函数下载它。像以往一样，马上调用Responce对象的raise_for_status()方法，如果下载发生问题，就抛出异常，并终止程序。否则，利用下载页面的文本创建一个BeautifulSoup对象。

      第三步：寻找和下载漫画图像

      用开发者工具检查XKCD主页后，你就知道漫画图像的<img>元素是在一个<div>元素中，它带有的id属性设置为comic。所以选择器‘#comic img’将从BeautifulSoup对象中选出正确的<img>元素。

      有一些页面XKCD页面有特殊内容，不是一个简单的图像文件。这没问题，跳过他们就好了。如果选择器没有找到任何元素，那么soup.select('#comic img')将返回一个空的列表。出现这种情况时，程序将打印一条错误消息，不下载图像，继续执行。

      否则，选择器将返回一个列表，包含一个<img>列表。可以从这个<img>元素中取得src属性，将它传递给requests.get(),下载这个漫画的图像文件。

       第四步：保存图像，找到前一张漫画

       这时候，漫画的图像文件保存在变量res中，你需要将图像数据写入硬盘的文件。

    你需要为本地图像文件准备一个文件名，传递给open()。comicUrl的值类似http://imgs.xkcd.com/comics/ heartbleed_explanation.png'。你可能注意到，他看起来很像文件路径。实际上，调用os.path.basename()时传入comicUrl，它只返回URL的最后部分：'heartbleed_explanation.png'。你可以用它作为文件名，将图像保存到硬盘。用os.path.join()连接这个名称和xkcd文件夹的名称，这样程序就会在Windows下使用倒斜杠(\),在OS
X和linux下使用斜杠(\)。既然你最后得到了文件名，就可以调用open( ),用'wb'模式打开一个新文件。

        保存利用Requests下载的文件时，你需要循环处理iter_content()方法的返回值。for循环中的代码将一段图像数据写入文件(每次最多10万字节)，然后关闭该文件。图像现在保存到硬盘中。

       然后，选择器'a[rel="prev"]识别出rel属性设置为prev的<a>元素'，利用这个<a>元素的href属性，取得前一张漫画的URL，将它保存在url中。然后利用while循环针对这个漫画，再次开始整个下载过程。

参考书目：

       《Python编程快速上手—让繁琐工作自动化》