简介

今天玩点新鲜的，使用一个新库

aiohttp

，利用它提高咱爬虫的爬取速度。

安装模块常规套路

pip install aiohttp

运行之后等待，安装完毕，想要深造，那么官方文档必备 ：https://aiohttp.readthedocs.io/en/stable/

接下来就可以开始写代码了。

我们要爬取的页面，这一次选取的是

http://bbs.fengniao.com/forum/forum_101_1_lastpost.html

打开页面，我们很容易就获取到了页码

好久没有这么方便的看到页码了。

尝试用

aiohttp

访问这个页面吧，模块的引入，没有什么特殊的，采用

import

即可
如果我们需要 使用

Asyncio + Aiohttp

异步IO 编写爬虫，那么需要注意，你需要异步的方法前面加上

async

接下来，先尝试去获取一下上面那个地址的网页源码。

代码中，先声明一个fetch_img_url的函数，同时携带一个参数，这个参数也可以直接写死。

with

上下文不在提示，自行搜索相关资料即可 (｀・ω・´)

aiohttp.ClientSession() as session:

创建一个

session

对象，然后用该

session

对象去打开网页。

session

可以进行多项操作，比如

post

,

get

,

put

等

代码中

await response.text()

等待网页数据返回

asyncio.get_event_loop

创建线程，

run_until_complete

方法负责安排执行

tasks

中的任务。

tasks

可以为单独的函数，也可以是列表。

import aiohttp
import asyncio

async def fetch_img_url(num):
url = f'http://bbs.fengniao.com/forum/forum_101_{num}_lastpost.html'  # 字符串拼接
# 或者直接写成 url = 'http://bbs.fengniao.com/forum/forum_101_1_lastpost.html'
print(url)
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6726.400 QQBrowser/10.2.2265.400',
}

async with aiohttp.ClientSession() as session:
# 获取轮播图地址
async with session.get(url,headers=headers) as response:
try:
html = await response.text()   # 获取到网页源码
print(html)

except Exception as e:
print("基本错误")
print(e)

# 这部分你可以直接临摹
loop = asyncio.get_event_loop()
tasks = asyncio.ensure_future(fetch_img_url(1))
results = loop.run_until_complete(tasks)

上面代码最后一部分也可以写成

loop = asyncio.get_event_loop()
tasks =  [fetch_img_url(1)]
results = loop.run_until_complete(asyncio.wait(tasks))

好了，如果你已经成果的获取到了源码，那么距离最终的目的就差那么一丢丢了。
修改代码为批量获取10页。
只需要修改

tasks

即可,在此运行，看到如下结果

tasks =  [fetch_img_url(num) for num in range(1, 10)]

下面的一系列操作和上一篇博客非常类似，找规律。
随便打开一个页面

http://bbs.fengniao.com/forum/forum_101_4_lastpost.html

点击一张图片，进入内页，在点击内页的一张图片，进入到一个轮播页面

再次点击进入图片播放页面

最后我们在图片播放页面，找到源码中发现了所有的图片链接，那么问题出来了，如何从上面的第一个链接，转变成轮播图的链接？？？
下面的源码是在

http://bbs.fengniao.com/forum/pic/slide_101_10408464_89383854.html

右键查看源码。

继续分析吧~~~~

ヾ(=･ω･=)o

http://bbs.fengniao.com/forum/forum_101_4_lastpost.html
转变成下面的链接？
http://bbs.fengniao.com/forum/pic/slide_101_10408464_89383854.html

继续看第一个链接，我们使用F12开发者工具，去抓取一个图片看看。

图片中标黄色框的位置，发现了我们想要的数字，那么好了，我们只需要通过正则表达式把他们匹配出来就好了。
代码在下面

####

的位置，需要注意的是，我采用的原始的正则匹配，在编写正则表达式的过程中，我发现一步竟然没有完整匹配，只能分成两个步骤了，你可以看一下具体的细节

o(╥﹏╥)o

1. 查找所有的图片

   <div class="picList">

2. 获取我们想要的两部分数字

async def fetch_img_url(num):
url = f'http://bbs.fengniao.com/forum/forum_101_{num}_lastpost.html'
print(url)
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6726.400 QQBrowser/10.2.2265.400',
}

async with aiohttp.ClientSession() as session:
# 获取轮播图地址
async with session.get(url,headers=headers) as response:
try:
###############################################
url_format = "http://bbs.fengniao.com/forum/pic/slide_101_{0}_{1}.html"
html = await response.text()   # 获取到网页源码
pattern = re.compile('<div class="picList">([\s\S.]*?)</div>')
first_match = pattern.findall(html)
href_pattern = re.compile('href="/forum/(\d+?)_p(\d+?)\.html')
urls = [url_format.format(href_pattern.search(url).group(1), href_pattern.search(url).group(2)) for url in first_match]
##############################################

except Exception as e:
print("基本错误")
print(e)

代码完成，我们已经获取到，我们想要的URL了，下面继续读取URL内部信息，然后匹配我们想要的图片链接

async def fetch_img_url(num):
# 去抄上面的代码
async with aiohttp.ClientSession() as session:
# 获取轮播图地址
async with session.get(url,headers=headers) as response:
try:
#去抄上面的代码去吧
################################################################
for img_slider in urls:
try:
async with session.get(img_slider, headers=headers) as slider:
slider_html = await slider.text()   # 获取到网页源码
try:
pic_list_pattern = re.compile('var picList = \[(.*)?\];')
pic_list = "[{}]".format(pic_list_pattern.search(slider_html).group(1))
pic_json = json.loads(pic_list)  # 图片列表已经拿到
print(pic_json)
except Exception as e:
print("代码调试错误")
print(pic_list)
print("*"*100)
print(e)

except Exception as e:
print("获取图片列表错误")
print(img_slider)
print(e)
continue
################################################################

print("{}已经操作完毕".format(url))
except Exception as e:
print("基本错误")
print(e)

图片最终的JSON已经拿到，最后一步，下载图片，当当当~~~~，一顿迅猛的操作之后，图片就拿下来了

async def fetch_img_url(num):
# 代码去上面找
async with aiohttp.ClientSession() as session:
# 获取轮播图地址
async with session.get(url,headers=headers) as response:
try:
# 代码去上面找
for img_slider in urls:
try:
async with session.get(img_slider, headers=headers) as slider:
# 代码去上面找
##########################################################
for img in pic_json:
try:
img = img["downloadPic"]
async with session.get(img, headers=headers) as img_res:
imgcode = await img_res.read()  # 图片读取
with open("images/{}".format(img.split('/')[-1]), 'wb') as f:
f.write(imgcode)
f.close()
except Exception as e:
print("图片下载错误")
print(e)
continue
###############################################################

except Exception as e:
print("获取图片列表错误")
print(img_slider)
print(e)
continue
print("{}已经操作完毕".format(url))
except Exception as e:
print("基本错误")
print(e)

图片会在你提前写好的

images

文件夹里面快速的生成

tasks

最多可以开1024协程，但是建议你开100个就OK了，太多并发，人家服务器吃不消。

以上操作执行完毕，在添加一些细节，比如保存到指定文件夹，就OK了。

github代码地址