使用Python爬虫爬取网络美女图片

代码地址如下：
http://www.demodashi.com/demo/13500.html

准备工作

安装python3.6

略

安装requests库(用于请求静态页面)

pip install requests -i https://mirrors.ustc.edu.cn/pypi/web/simple

安装lxml库(用于解析html文件)

pip install lxml -i https://mirrors.ustc.edu.cn/pypi/web/simple

安装与配置selenium(用于请求动态页面)

pip install selenium -i https://mirrors.ustc.edu.cn/pypi/web/simple

selenium 需要与浏览器配合使用，在以前的爬虫教程中，往往把 selenium 和 PhantomJS 配合使用，PhantomJS 是一款无界面的浏览器，能否执行js脚本，从而可以实现加载和渲染动态页面。但是由于最新版 selenium 已经不再支持 PhantomJS，所以必须使用其他浏览器代替，本教程使用的是Firefox浏览器，Firefox浏览器也支持无界面模式( headless模式 )，用于爬虫非常方便。另外Chrome也是支持的。详细的安装与配置教程请参考：

Python爬虫利器五之Selenium的用法

本教程要爬取的美女图片来自

妹子图

页面分析

图集列表页面

打开妹子图页面，如下图。页面的正文部分列出了33个美女图集。每个页面共有33个图集，总共有33个页面，所以总共有1089个图集。图片的链接就包含在每个图集中。





在页面上单击右键，选择 审查元素按键，或直接按 F12 进入调试模式。页面结构如下：

图集详情页面

点进任意一个图集中，进入调试模式，可以看出页面结构如下：

源码详解

从前面的页面分析中可以看出，这个网站的页面结构其实很简单，我们只需要依次打开第1到第33个页面，得到每个页面的html源码，然后从html源码中提取出每个页面上包含的图集的链接列表(共33个)，然后再依次打开第1到第33个图集详情页面，但是图集详情页面中的图片列表是用js动态加载的，我们需要使用selenium加载这个动态页面，等该页面加载完毕之后再得到该页面的html源码，然后从图集详情页面中提取出每张图片的链接，最后再依次下载每张图片保存即可。

整个流程其实并不复杂。

使用requests下载静态html页面

该函数用于下载图集列表页面，这个页面是静态的，可以直接通过 requests.get(url) 函数抓取。但是有一点需要注意，为了把我们的爬虫伪装成正常的浏览器请求，避免我们的爬虫被服务器禁止，我们需要给 requests 添加http请求头，其中包含伪造的 User-Agent 浏览器标识

def download_page_html(url):
    phtml = None

    try:
        requests_header["User-Agent"] = random.choice(user_agent_list) # 选择一个随机的User-Agent
        # print(requests_header)
        page = requests.get(url=url, headers=requests_header) # 请求指定的页面
        # print(page.encoding)
        page.encoding = "gb2312" # 转换页面的编码为gb2312(避免中文乱码)
        phtml = page.text # 提取请求结果中包含的html文本
        # print("requests success")
        page.close() # 关闭requests请求
    except requests.exceptions.RequestException as e:
        print("requests error:", e)
        phtml = None
    finally:
        return phtml

下载指定链接的图片文件

该函数用于提取出图片链接之后下载图片，图片保存在以图集标题命名的文件夹中

def download_picture(url, dir):
    try:
        picdir = "{0}/{1}".format(PICTURE_PATH, dir) # 构造图片保存路径
        # print(picdir)
        if os.path.exists(picdir) != True:
            os.makedirs(picdir) # 如果指定的文件夹不存在就递归创建

        pic_name = url.split("/")[-1] # 用图片链接中最后一个/后面的部分作为保存的图片名
        pic_full_name = "{0}/{1}".format(picdir, pic_name)

        # print("save picture to :", pic_full_name)

        requests_header["User-Agent"] = random.choice(user_agent_list) # 选择一个随机的User-Agent

        response = requests.get(url, headers=requests_header)  # 获取的文本实际上是图片的二进制文本
        imgdata = response.content  # 将他拷贝到本地文件 w 写  b 二进制  wb代表写入二进制文本
        if len(imgdata) > (5*1024):  # 只保存大于5k的图片
            with open(pic_full_name, 'wb') as f:
                f.write(imgdata) # 把图片数据写入文件。with语句会自动关闭f
            print("save picture to :", pic_full_name)
        else:
            print("picture size too small")
        response.close()
    except:
        print("download piccture {0} error".format(url))

获取所有需要爬取的页面数

我们刚才已经分析过了，实际上只有33个需要处理的页面，但是以后网站肯定会更新，为了兼容性，我们并不准备写死，而是从html页面中提并分析出待处理的页面数。在选择页面底部的导航栏中有一个 末页 按钮，其href属性中包含了一个数字，这个数字就是页面的数目(也是页面的序号)。

def get_page_list_num(tree):

    page_list_num = 0

    try:
        gotolast = tree.xpath("/html/body/div[1]/div[2]/div[2]/div[1]/div[2]/div/ul/li[18]/a/@href")[0]  # sexy_33.html
        # print(gotolast)
        gotolast = str(gotolast)
        # print(gotolast)
        gotolast = re.sub(r"\D", "", gotolast)  # 把非数字字符串替换为空
        page_list_num = int(gotolast)  # 转化为整数
        print("max_page_number:", page_list_num)
    except:
        print("get page number error")
        page_list_num = 0
    finally:
        return page_list_num

xpath选择器

其实要在复杂的html文件中定位出我们需要的元素并不容易，但是一般浏览器都为我们提供了这一功能，比如我所使用的firefox浏览器就自带了这一功能，选中所需要的元素，然后在右键复制菜单中可以看到 复制Xpath的选项，使用它可以帮助我们快速定位我们需要的元素。下文所有的xpath都是使用这种方式得到的。如下图：

获取页面中的图片集列表

def get_pagealbum_list(tree):  # 获取页面中的图片集列表
    pagealbum_list = []
    pagealbum_list = tree.xpath(
        "/html/body/div[1]/div[2]/div[2]/div[1]/div[1]/ul/li/div/div/a/@href")
    return pagealbum_list

获取图集的标题和图集中的图片链接

这里同样使用的firefox的xpath工具定位到我们需要的元素的，然后通过lxml库的xpath方法从html页面中提取出我们想要的内容

def get_albumphoto_list(tree):  # 获取图集中的图片列表
    albumphoto_list = []
    albumphoto_list = tree.xpath(
        "/html/body/div[2]/div[2]/div[2]/div[1]/div[2]/div[1]/p/img/@src")
    return albumphoto_list

def get_albumphoto_title(tree):  # 获取图集中的标题
    albumphoto_title = None
    albumphoto_title = tree.xpath(
        "/html/body/div[2]/div[2]/div[2]/div[1]/div[1]/div[1]/h2/a/text()")[0]
    # print(albumphoto_title)
    return albumphoto_title

加载和渲染动态网页

由于图集详情页中的图片列表是通过js代码动态渲染得到的，所以如果直接通过requests请求这个页面会得到一个只包含js代码的html，里面并没有我们需要的图片链接，因为requests请求不能执行js代码，所以没法加载出图片。我们这里需要使用selenium配合firefox浏览器来加载和渲染这个动态页面，等待渲染完成后再获取html源码，这时html中包含了图片链接

def web_driver_init():
    global web_driver
    if web_driver == None:
        options = Options()
        options.add_argument('-headless')  # 无头参数
        # 配了环境变量第一个参数就可以省了，不然传绝对路径
        web_driver = Firefox(firefox_options=options)
        web_driver.implicitly_wait(20)

def web_driver_page(url):
    htmlpage = None
    try:
        web_driver.get(url)
        htmlpage = web_driver.page_source
    except:
        print("get webpage {0} error".format(url))
    finally:
        return htmlpage

def web_driver_exit():
    if web_driver != None:
        web_driver.close()

爬虫处理逻辑meizitu_webspider

def meizitu_webspider():
    global page_list_num
    global page_list_idx
    global requests_url
    global webspider_sleep

    print("requests_url :", requests_url)
    page_html_list = download_page_html(requests_url)  # 下载当前页面
    if(page_html_list != None):
        # print(page_html_list)
        tree = lxml.html.fromstring(page_html_list)
        if page_list_num == 0:  # 计算当前共有多少个页面需要处理
            page_list_num = get_page_list_num(tree)

        pagealbum_list = get_pagealbum_list(tree)  # 获取当前页面中图集列表
        # print(pagealbum_list)
        for lst in pagealbum_list:  # 以此遍历当前页面中的每个图集
            print("album_list:", lst)
            # 图集使用的js异步加载图片，所以这里要用selenium加载动态页面
            albumphoto_page = web_driver_page(lst)
            # print(albumphoto_page)
            if albumphoto_page != None:
                tree0 = lxml.html.fromstring(albumphoto_page)

                albumphoto_title = get_albumphoto_title(tree0)  # 获取图集标题
                print("Title:", albumphoto_title)

                albumphoto_list = get_albumphoto_list(tree0)  # 获取图集中的图片列表
                for plst in albumphoto_list:
                    print("imgsrc:", plst)

                    download_picture(plst, albumphoto_title)  # 下载图片

                    webspider_sleep = random.randint(1, 5)  # 延时一个随机值，避免被服务器反爬
                    print("waiting {0} seconds".format(webspider_sleep))
                    time.sleep(webspider_sleep)

        if page_list_idx < page_list_num:  # 递归处理下一个页面
            page_list_idx = page_list_idx + 1
            requests_url = REQUEST_URL1.format(page_list_idx)
            meizitu_webspider()
        else:
            return 0

运行爬虫

if __name__ == "__main__":
    web_driver_init()  # 初始化selenium
    meizitu_webspider()
    web_driver_exit()  # 退出selenium

程序运行截图

项目文件截图

使用Python爬虫爬取网络美女图片

代码地址如下：
http://www.demodashi.com/demo/13500.html

注：本文著作权归作者，由demo大师代发，拒绝转载，转载需要作者授权