1. IT分享知识网首页
  2. 开发语言
  3. python

Python爬虫(6):煎蛋网全站妹子图爬虫

老牧童 • • python

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

大家好，欢迎来到IT知识分享网。

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。

Python爬虫(6):煎蛋网全站妹子图爬虫

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：

import
requests
from
bs4
import
BeautifulSoup
 
url
=
'http://jandan.net/ooxx/'
headers
=
{

'User-Agent'
:
'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
}
resp
=
requests.get(url, headers
=
headers)
 
soup
=
BeautifulSoup(resp.text,
'lxml'
)

我们按下f12，从页面源码中找到最后一页 94 所在的标签：

Python爬虫(6):煎蛋网全站妹子图爬虫

原来 94 就在这个span标签啊。接下来是不是很简单了：

# 获得最高页码数
allpage
=
soup.find(
'span'
,
class_
=
"current-comment-page"
).get_text()[
1
:
-
1
]

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：

urllist
=
[]
# for循环迭代出所有页面，得到url
for
page
in
range
(
1
,
int
(allpage)
+
1
):
    
allurl
=
base_url
+
'page-'
+
str
(page)
    
urllist.append(allurl)

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。

Python爬虫(6):煎蛋网全站妹子图爬虫

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：

# css选择器
allimgs
=
soup.select(
'div.text > p > img'
)

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：

Python爬虫(6):煎蛋网全站妹子图爬虫

没错，我们直接Copy selector的内容，粘贴出来就是这样的字符串：#comment- > 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：

[<img onload
=
"add_img_loading_mask(this, load_sina_gif);"
org_src
=
"//wx4.sinaimg.cn/mw690/6adc108fly1fg90v6vzipg20ak05xqv5.gif"
src
=
"//wx4.sinaimg.cn/thumb180/6adc108fly1fg90v6vzipg20ak05xqv5.gif"
/
>, <img onload
=
"add_img_loading_mask(this, load_sina_gif);"
org_src
=
"//wx4.sinaimg.cn/mw690/6adc108fly1fg90qymd8pg20dc0dcnph.gif"
src
=
"//wx4.sinaimg.cn/thumb180/6adc108fly1fg90qymd8pg20dc0dcnph.gif"
/
>, <img onload
=
"add_img_loading_mask(this, load_sina_gif);"
org_src
=
"//wx4.sinaimg.cn/mw690/6adc108fly1fg90s98qsbg207e08mu10.gif"
src
=
"//wx4.sinaimg.cn/thumb180/6adc108fly1fg90s98qsbg207e08mu10.gif"
/
>, <img onload
=
"add_img_loading_mask(this, load_sina_gif);"
org_src
=
"//wx3.sinaimg.cn/mw690/6adc108fly1fg90v51p5eg20a00dchdv.gif"
src
=
"//wx3.sinaimg.cn/thumb180/6adc108fly1fg90v51p5eg20a00dchdv.gif"
/
>, <img src
=
"//wx4.sinaimg.cn/mw600/a1b56627gy1fdb7851js0j20ku4xcx6q.jpg"
/
>, <img src
=
"//wx4.sinaimg.cn/mw600/a1b56627gy1fdb78fw14yj20dc46pb2a.jpg"
/
>, <img src
=
"//wx3.sinaimg.cn/mw600/a1b56627gy1fdb78hqr1kj20dc1i0x02.jpg"
/
>, <img src
=
"//wx4.sinaimg.cn/mw600/a1b56627gy1fdb78ldnwbj20ku3ei4.jpg"
/
>, <img src
=
"//wx4.sinaimg.cn/mw600/a82b014bly1fg8gkj95toj21kw1kwh3s.jpg"
/
>, <img src
=
"//wx4.sinaimg.cn/mw600/a82b014bly1fg8gkhmfraj21kw11xgth.jpg"
/
>, <img src
=
"//wx2.sinaimg.cn/mw600/a82b014bly1fg8gklclivj21kw2dc1dg.jpg"
/
>, <img src
=
"//wx2.sinaimg.cn/mw600/a82b014bly1fg8eohjekwj21421jkah5.jpg"
/
>]

for
img
in
list
:
    
urls
=
img[
'src'
]
    
# 判断url是否完整
    
if
urls[
0
:
5
]
=
=
'http:'
:
        
img_url
=
urls
    
else
:
        
img_url
=
'http:'
+
urls

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。

imgs
=
requests.get(img_url，headers
=
headers)
filename
=
img_url.split(
'/'
)[
-
1
]
# 保存图片
with
open
(filename,
'wb'
) as f:
    
# 直接过滤掉保存失败的图片，不终止程序
    
try
:
        
f.write(imgs.content)
        
print
(
'Sucessful image:'
,filename)
    
except
:
        
print
(
'Failed:'
,filename)

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。

# 创建文件夹的函数，保存到D盘
def
mkdir(path):
    
# os.path.exists(name)判断是否存在路径
    
# os.path.join(path, name)连接目录与文件名
    
isExists
=
os.path.exists(os.path.join(
"D:\jiandan"
, path))
    
# 如果不存在
    
if
not
isExists:
        
print
(
'makedir'
, path)
        
# 创建文件夹
        
os.makedirs(os.path.join(
"D:\jiandan"
, path))
        
# 切换到创建的文件夹
        
os.chdir(os.path.join(
"D:\jiandan"
, path))
        
return
True
    
# 如果存在了就返回False
    
else
:
        
print
(path,
'already exists'
)
        
return
False

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。

Python爬虫(6):煎蛋网全站妹子图爬虫

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。

proxies
=
{

'http'
:
'111.23.10.27:8080'
}
try
:
    
# Requests库的get请求
    
resp
=
requests.get(url, headers
=
headers)
except
:
    
# 如果请求被阻，就使用代理
    
resp
=
requests.get(url, headers
=
headers, proxies
=
proxies)

代码

好了，最后上一下完整代码：

# -*- coding:utf-8 -*-
#  author: yukun
import
requests
import
os
import
time
from
bs4
import
BeautifulSoup
 
 
# 发出请求获得HTML源码
def
get_html(url):
    
# 指定一个浏览器头
    
headers
=
{

'User-Agent'
:
'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
}
    
# 代理，免费的代理只能维持一会可能就没用了，自行更换
    
proxies
=
{

'http'
:
'111.23.10.27:8080'
}
    
try
:
        
# Requests库的get请求
        
resp
=
requests.get(url, headers
=
headers)
    
except
:
        
# 如果请求被阻，就使用代理
        
resp
=
requests.get(url, headers
=
headers, proxies
=
proxies)
 
    
return
resp
 
# 创建文件夹的函数，保存到D盘
def
mkdir(path):
    
# os.path.exists(name)判断是否存在路径
    
# os.path.join(path, name)连接目录与文件名
    
isExists
=
os.path.exists(os.path.join(
"D:\jiandan"
, path))
    
# 如果不存在
    
if
not
isExists:
        
print
(
'makedir'
, path)
        
# 创建文件夹
        
os.makedirs(os.path.join(
"D:\jiandan"
, path))
        
# 切换到创建的文件夹
        
os.chdir(os.path.join(
"D:\jiandan"
, path))
        
return
True
    
# 如果存在了就返回False
    
else
:
        
print
(path,
'already exists'
)
        
return
False
 
# 获得图片地址调用download函数进行下载
def
get_imgs():
    
# 调用函数获得所有页面
    
for
url
in
all_page():
        
path
=
url.split(
'-'
)[
-
1
]
        
# 创建文件夹的函数
        
mkdir(path)
        
# 调用请求函数获得HTML源码
        
html
=
get_html(url).text
        
# 使用lxml解析器，也可以使用html.parser
        
soup
=
BeautifulSoup(html,
'lxml'
)
        
# css选择器
        
allimgs
=
soup.select(
'div.text &gt; p &gt; img'
)
        
# 调用download函数下载保存
        
download(allimgs)
    
# 执行完毕打出ok
    
print
(
'ok'
)
 
# 获得所有页面
def
all_page():
    
base_url
=
'http://jandan.net/ooxx/'
    
# BeautifulSoup解析页面得到最高页码数
    
soup
=
BeautifulSoup(get_html(base_url).text,
'lxml'
)
    
# 获得最高页码数
    
allpage
=
soup.find(
'span'
,
class_
=
"current-comment-page"
).get_text()[
1
:
-
1
]
    
urllist
=
[]
    
# for循环迭代出所有页面，得到url
    
for
page
in
range
(
1
,
int
(allpage)
+
1
):
        
allurl
=
base_url
+
'page-'
+
str
(page)
        
urllist.append(allurl)
    
return
urllist
 
# 保存图片函数，传入的参数是一页所有图片url集合
def
download(
list
):
    
for
img
in
list
:
        
urls
=
img[
'src'
]
        
# 判断url是否完整
        
if
urls[
0
:
5
]
=
=
'http:'
:
            
img_url
=
urls
        
else
:
            
img_url
=
'http:'
+
urls
        
filename
=
img_url.split(
'/'
)[
-
1
]
        
# 保存图片
        
with
open
(filename,
'wb'
) as f:
            
# 直接过滤掉保存失败的图片，不终止程序
            
try
:
                
f.write(get_html(img_url).content)
                
print
(
'Sucessful image:'
,filename)
            
except
:
                
print
(
'Failed:'
,filename)
 
if
__name__
=
=
'__main__'
:
    
# 计时
    
t1
=
time.time()
    
# 调用函数
    
get_imgs()
    
print
(time.time()
-
t1)

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

免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://haidsoft.com/106101.html

赞 (0)
老牧童老牧童
0
上一篇 2026-02-14 14:16
下一篇 2026-02-15 12:11

相关推荐

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注微信