Python爬虫(6):煎蛋网全站妹子图爬虫

Python爬虫(6):煎蛋网全站妹子图爬虫

上一篇文章中我们抓取了豆瓣图书的数据，如果大家运行成功，并且看到文件夹下的 txt 文件了。是不是有一种刚接触编程，第一次输出

Hello world!

时的欣喜。和上一篇实践不同，我们这一次来爬取 煎蛋网 全站妹子图，并且保存到指定文件夹下。

爬取流程

从煎蛋网妹子图第一页开始抓取；
爬取分页标签获得最后一页数字；
根据最后一页页数，获得所有页

URL

；
迭代所有页，对页面所有妹子图片

url

进行抓取；访问图片

URL

并且保存图片到文件夹。

开始

通过上一篇文章的爬取过程，我们基本上理解了抓取一个网站的大致流程。因为一个网站虽然有很多页，但是大部分网站每一页的

HTML

标签内容都是相同的。我们只要获取到一页的内容，就可以获得所有页的内容了。那么开始之前，我们来分析一下煎蛋网妹子图页面的

URL

。第一页的 url：

http://jandan.net/ooxx/page-1

第二页：

http://jandan.net/ooxx/page-2

最后一页：

http://jandan.net/ooxx/page-93

不难发现，煎蛋网的 url 的规律是比较简单的，每一页后面 page 的数字就是几。那么我们可以通过一个循环就可以获得所有的页面 URL 了。但是大家应该想到，这个网站每天都会更新，今天是 93 页，明天就会增加到94页了。如果每一都要爬一次的话，那么每次都要改一下代码页数信息了。这样实现起来虽然可以，但是不免有些愚蠢。所以我们需要通过页面的标签信息让程序自己获得页数，我们访问

http://jandan.net/ooxx/

这个页面时，就相当于我们直接访问了最后一页。大家可以自己试试看。

图中我们可以明确的看到最后一页的数字是94.只要通过这个页面的URL进行抓取就可以得到。我们先获得源码：我们按下

f12

，从页面源码中找到最后一页 94 所在的标签：

原来 94 就在这个

span

标签啊。接下来是不是很简单了：由于标签内的 94 边包含一个

[]

，大家不要以为只是一个

list

，只要

[0]

就可以获得的。我们完全可以使用

type()

,看一下他的属性，就知道它是一个字符串，我们利用切片去掉第一个和最后一个字符，就得到了页数了。
得到页数后，我们利用循环就可以得到所有页的url了：我们把它保存到一个

list

中。
那么现在，我们得到所有页面的 url，就可以来获取每一页的内容了。我们以最后一页为例来进行抓取。

我们仍然使用审查元素，找到图片 url 所在的标签。仍然是老方法，获取到页面所有包含图片的

img

标签：只要一行代码，我们就成功获得所有标签了。这里使用了 CSS选择器，大家是否还记得这个方法呢。可以查看之前的文章或者

BeautifulSoup

的官方文档了解哦。如果大家对 CSS 不是很熟悉，或者根本不知道。也没关系，反正

find_all()

和

find()

方法也是可以实现的。不过这里我教大家一个简单的CSS选择器方法。我们只要按

f12

打开浏览器的开发者工具，找到标签的位置，右击标签。就可以看到这个情况：

没错，我们直接

Copy selector

的内容，粘贴出来就是这样的字符串：

#comment-3468457 > div > div > div.text > p > img

我们稍微去掉前面的一些标签，大多数情况下保留到父标签后面的内容就可以了。就是这样：

div.text > p > img

我们放到代码中，运行一下就知道是不是成功了。结果只一个列表：很显然，这一页的图片URL都在这里。
接下来就是提取img标签的src属性了。由于有的标签内

url

并不完整，所以这里我们进行一次判断。如果不完整就给他补全。好了，图片的 url 都获得了，接下来就是保存图片了。大家还记得之前我们介绍

Requests

模块的时候，有过保存图片的演示。
因为万维网中每个图片，每个视频都有唯一的 url 指向它们。所以我们只要访问这个 url，并且获得图片的二进制数据，保存到本地就可以了。大家注意，获取图片二进制数据是

.content

方法，而不是

.text

。这里我们有一个错误过滤，因为保存的过程中会有一些文件保存错误的情况，我们直接过滤掉，不终止程序的运行。好了，爬虫程序到这里基本上已经全部实现了。但是我们如果把所有的图片存放在一个文件夹中，而且还是代码所在文件夹，不免有些难看。我们可以自己指定他们存放的位置。这里需要用的

Python

内置的

os

库了，不清楚的伙伴可以自己查看资料哈。我们只要传给这个函数一个路径参数就可以创建文件夹了。全部的功能都已经实现了，如果不出现以外的话，大家就可以在 d 盘看到这个文件夹了。

如果程序出现错误，可能是我们的程序访问过于频繁，网站封禁了我们的ip。这时，我们就要使用一个代理了。网上免费的代理很多，大家可以自己找，这里简单做一个使用代理的演示。由于是免费ip，不会存活太久就会不能使用，大家不要直接使用代码中的ip。后续可以带着大家一起代建一个自己的代理池。

代码

好了，最后上一下完整代码：经过计时，我们只需要146秒就爬取了全站的妹子图片了，大家注意身体。谢谢阅读