Python爬虫入门：爬取pixiv

终于想开始爬自己想爬的网站了。于是就试着爬P站试试手。

我爬的图的目标网址是： http://www.pixiv.net/search.php?word=%E5%9B%9B%E6%9C%88%E3%81%AF%E5%90%9B%E3%81%AE%E5%98%98，目标是将每一页的图片都爬下来。

一开始以为不用登陆，就直接去爬图片了。

后来发现是需要登录的，但是不会只好去学模拟登陆。

这里是登陆网站 https://accounts.pixiv.net/login?lang=zh&source=pc&view_type=page&ref=wwwtop_accounts_index 的headers，

然后还要去获取我们登陆时候需要的data。点住上面的presevelog，找到登陆的网址，点开查看Form Data就可以知道我们post的时候的data需要什么了。这里可以看到有个postkey，多试几次可以发现这个是变化的，即我们要去捕获它，而不能直接输入。

于是退回到登陆界面，F12查看源码，发现有一个postkey，那么我们就可以写一个东西去捕获它，然后把它放到我们post的data里面。

这里给出登陆界面需要的代码：

     def __init__(self):
         self.base_url = 'https://accounts.pixiv.net/login?lang=zh&source=pc&view_type=page&ref=wwwtop_accounts_index'
         self.login_url = 'https://accounts.pixiv.net/api/login?lang=zh'
         self.target_url = 'http://www.pixiv.net/search.php?' \
                           'word=%E5%9B%9B%E6%9C%88%E3%81%AF%E5%90%9B%E3%81%AE%E5%98%98&order=date_d&p='
         self.main_url = 'http://www.pixiv.net'
         # headers只要这两个就可以了,之前加了太多其他的反而爬不上
         self.headers = {
             'Referer': 'https://accounts.pixiv.net/login?lang=zh&source=pc&view_type=page&ref=wwwtop_accounts_index',
             'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) '
                           'AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36'
         }
         self.pixiv_id = 'userid'
         self.password = '*****'
         self.post_key = []
         self.return_to = 'http://www.pixiv.net/'
         self.load_path = 'D:\psdcode\Python\pixiv_pic'
         self.ip_list = []

     def login(self):
         post_key_html = se.get(self.base_url, headers=self.headers).text
         post_key_soup = BeautifulSoup(post_key_html, 'lxml')
         self.post_key = post_key_soup.find('input')['value']
         # 上面是去捕获postkey
         data = {
             'pixiv_id': self.pixiv_id,
             'password': self.password,
             'return_to': self.return_to,
             'post_key': self.post_key
         }
         se.post(self.login_url, data=data, headers=self.headers)

愉快地解决完登陆问题之后，就可以开始爬图片啦。

进入target_url：上面的目标网址。

点击目标的位置

点开ul这个标签，发现图片全部都是在<li class="image-item">这里面的，因为我们要爬大一点的图（爬个小图有什么用啊！），所以还要进入一层第一个链接的网址去获取大图，我们可以发现我们只要在main_url（(http://www.pixiv.net)），再加上第一个href，就可以跑到图片所在的网址了，于是我们先跳转到图片网址看看怎么提取图片。

发现图片就躺在这里了，而且连标题都有，直接方便了我们存图的名字了。于是我们就可以直接去提取图片了。

注意我们在请求获取图片的时候要加一个referer，否则会403的。referer的找法就和上面一样。

     def get_img(self, html, page_num):
         li_soup = BeautifulSoup(html, 'lxml')  # 传入第page_num页的html
         li_list = li_soup.find_all('li', attrs={'class', 'image-item'})   # 找到li所在位置
         # print('get_list succeed')
         # print(li_list)
         for li in li_list:
             href = li.find('a')['href']  # 直接提取第一个href
             # print('get_href succeed')
             # print(href)
             jump_to_url = self.main_url + href  # 跳转到目标的url
             # print('get_jump_to_url succeed')
             jump_to_html = self.get_html(jump_to_url, 3).text  # 获取图片的html
             # print('get_jump_to_html succeed')

             img_soup = BeautifulSoup(jump_to_html, 'lxml')
             img_info = img_soup.find('div', attrs={'class', 'works_display'})\
                 .find('div', attrs={'class', '_layout-thumbnail ui-modal-trigger'})
             # 找到目标位置的信息
             if img_info is None:  # 有些找不到url,如果不continue会报错
                 continue
             self.download_img(img_info, jump_to_url, page_num)  # 去下载这个图片

     def download_img(self, img_info, href, page_num):
         title = img_info.find('img')['alt']  # 提取标题
         src = img_info.find('img')['src']  # 提取图片位置
         src_headers = self.headers
         src_headers['Referer'] = href  # 增加一个referer,否则会403,referer就像上面登陆一样找
         try:
             html = requests.get(src, headers=src_headers)
             img = html.content
         except:  # 有时候会发生错误导致不能获取图片.直接跳过这张图吧
             print('获取该图片失败')
             return False

接下来轮到下载图片了。这个之前还不怎么会，临时学了一下。

首先是创建文件夹，我这里是每一页就开一个文件夹。

     def mkdir(self, path):
         path = path.strip()
         is_exist = os.path.exists(os.path.join(self.load_path, path))
         if not is_exist:
             print('创建一个名字为 ' + path + ' 的文件夹')
             os.makedirs(os.path.join(self.load_path, path))
             os.chdir(os.path.join(self.load_path, path))
             return True
         else:
             print('名字为 ' + path + ' 的文件夹已经存在')
             os.chdir(os.path.join(self.load_path, path))
             return False

    def download_img(self, img_info, href, page_num):
         title = img_info.find('img')['alt']  # 提取标题
         src = img_info.find('img')['src']  # 提取图片位置
         src_headers = self.headers
         src_headers['Referer'] = href  # 增加一个referer,否则会403,referer就像上面登陆一样找
         try:
             html = requests.get(src, headers=src_headers)
             img = html.content
         except:  # 有时候会发生错误导致不能获取图片.直接跳过这张图吧
             print('获取该图片失败')
             return False

         title = title.replace('?', '_').replace('/', '_').replace('\\', '_').replace('*', '_').replace('|', '_')\
             .replace('>', '_').replace('<', '_').replace(':', '_').replace('"', '_').strip()
         # 去掉那些不能在文件名里面的.记得加上strip()去掉换行

         if os.path.exists(os.path.join(self.load_path, str(page_num), title + '.jpg')):
             for i in range(1, 100):
                 if not os.path.exists(os.path.join(self.load_path, str(page_num), title + str(i) + '.jpg')):
                     title = title + str(i)
                     break
         # 如果重名了,就加上一个数字
         print('正在保存名字为: ' + title + ' 的图片')
         with open(title + '.jpg', 'ab') as f:
             f.write(img)
         print('保存该图片完毕')

这样我们的大体工作就做完了。剩下的是写一个work函数让它开始跑。

     def work(self):
         self.login()
         for page_num in range(1, 51):  # 太多页了,只跑50页
             path = str(page_num)  # 每一页就开一个文件夹
             self.mkdir(path)  # 创建文件夹
             # print(self.target_url + str(page_num))
             now_html = self.get_html(self.target_url + str(page_num), 3)  # 获取页码
             self.get_img(now_html.text, page_num)  # 获取图片
             print('第 {page} 页保存完毕'.format(page=page_num))
             time.sleep(2)  # 防止太快被反

启动！

大概跑了10页之后，会弹出一大堆信息什么requests不行怎么的。问了下别人应该是被反爬了。

于是去搜了一下资料，http://cuiqingcai.com/3256.html，照着他那样写了使用代理的东西。（基本所有东西都在这学的）。

于是第一个小爬虫就好了。不过代理的东西还没怎么懂，到时候看看，50页爬了两个多钟。

对了。可能网站的源代码会有改动的。因为我吃完饭后用吃饭前的代码继续工作的时候出错了，然后要仔细观察重新干。

 # -*- coding:utf-8 -*-
 import requests
 from bs4 import BeautifulSoup
 import os
 import time
 import re
 import random

 se = requests.session()

 class Pixiv():

     def __init__(self):
         self.base_url = 'https://accounts.pixiv.net/login?lang=zh&source=pc&view_type=page&ref=wwwtop_accounts_index'
         self.login_url = 'https://accounts.pixiv.net/api/login?lang=zh'
         self.target_url = 'http://www.pixiv.net/search.php?' \
                           'word=%E5%9B%9B%E6%9C%88%E3%81%AF%E5%90%9B%E3%81%AE%E5%98%98&order=date_d&p='
         self.main_url = 'http://www.pixiv.net'
         # headers只要这两个就可以了,之前加了太多其他的反而爬不上
         self.headers = {
             'Referer': 'https://accounts.pixiv.net/login?lang=zh&source=pc&view_type=page&ref=wwwtop_accounts_index',
             'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) '
                           'AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36'
         }
         self.pixiv_id = 'userid'
         self.password = '*****'
         self.post_key = []
         self.return_to = 'http://www.pixiv.net/'
         self.load_path = 'D:\psdcode\Python\pixiv_pic'
         self.ip_list = []

     def login(self):
         post_key_html = se.get(self.base_url, headers=self.headers).text
         post_key_soup = BeautifulSoup(post_key_html, 'lxml')
         self.post_key = post_key_soup.find('input')['value']
         # 上面是去捕获postkey
         data = {
             'pixiv_id': self.pixiv_id,
             'password': self.password,
             'return_to': self.return_to,
             'post_key': self.post_key
         }
         se.post(self.login_url, data=data, headers=self.headers)

     def get_proxy(self):
         html = requests.get('http://haoip.cc/tiqu.htm')
         ip_list_temp = re.findall(r'r/>(.*?)<b', html.text, re.S)
         for ip in ip_list_temp:
             i = re.sub('\n', '', ip)
             self.ip_list.append(i.strip())
             print(i.strip())

     ''' 会被反爬,改成使用代理
         def get_tml(self, url):
             response = se.get(url, headers=self.headers)
             return response
     '''
     def get_html(self, url, timeout, proxy=None, num_entries=5):
         if proxy is None:
             try:
                 return se.get(url, headers=self.headers, timeout=timeout)
             except:
                 if num_entries > 0:
                     print('获取网页出错,5秒后将会重新获取倒数第', num_entries, '次')
                     time.sleep(5)
                     return self.get_html(url, timeout, num_entries = num_entries - 1)
                 else:
                     print('开始使用代理')
                     time.sleep(5)
                     ip = ''.join(str(random.choice(self.ip_list))).strip()
                     now_proxy = {'http': ip}
                     return self.get_html(url, timeout, proxy = now_proxy)
         else:
             try:
                 return se.get(url, headers=self.headers, proxies=proxy, timeout=timeout)
             except:
                 if num_entries > 0:
                     print('正在更换代理,5秒后将会重新获取第', num_entries, '次')
                     time.sleep(5)
                     ip = ''.join(str(random.choice(self.ip_list))).strip()
                     now_proxy = {'http': ip}
                     return self.get_html(url, timeout, proxy = now_proxy, num_entries = num_entries - 1)
                 else:
                     print('使用代理失败,取消使用代理')
                     return self.get_html(url, timeout)

     def get_img(self, html, page_num):
         li_soup = BeautifulSoup(html, 'lxml')  # 传入第page_num页的html
         li_list = li_soup.find_all('li', attrs={'class', 'image-item'})   # 找到li所在位置
         # print('get_list succeed')
         # print(li_list)
         for li in li_list:
             href = li.find('a')['href']  # 直接提取第一个href
             # print('get_href succeed')
             # print(href)
             jump_to_url = self.main_url + href  # 跳转到目标的url
             # print('get_jump_to_url succeed')
             jump_to_html = self.get_html(jump_to_url, 3).text  # 获取图片的html
             # print('get_jump_to_html succeed')

             img_soup = BeautifulSoup(jump_to_html, 'lxml')
             img_info = img_soup.find('div', attrs={'class', 'works_display'})\
                 .find('div', attrs={'class', '_layout-thumbnail ui-modal-trigger'})
             # 找到目标位置的信息
             if img_info is None:  # 有些找不到url,如果不continue会报错
                 continue
             self.download_img(img_info, jump_to_url, page_num)  # 去下载这个图片

     def download_img(self, img_info, href, page_num):
         title = img_info.find('img')['alt']  # 提取标题
         src = img_info.find('img')['src']  # 提取图片位置
         src_headers = self.headers
         src_headers['Referer'] = href  # 增加一个referer,否则会403,referer就像上面登陆一样找
         try:
             html = requests.get(src, headers=src_headers)
             img = html.content
         except:  # 有时候会发生错误导致不能获取图片.直接跳过这张图吧
             print('获取该图片失败')
             return False

         title = title.replace('?', '_').replace('/', '_').replace('\\', '_').replace('*', '_').replace('|', '_')\
             .replace('>', '_').replace('<', '_').replace(':', '_').replace('"', '_').strip()
         # 去掉那些不能在文件名里面的.记得加上strip()去掉换行

         if os.path.exists(os.path.join(self.load_path, str(page_num), title + '.jpg')):
             for i in range(1, 100):
                 if not os.path.exists(os.path.join(self.load_path, str(page_num), title + str(i) + '.jpg')):
                     title = title + str(i)
                     break
         # 如果重名了,就加上一个数字
         print('正在保存名字为: ' + title + ' 的图片')
         with open(title + '.jpg', 'ab') as f:  # 图片要用b
             f.write(img)
         print('保存该图片完毕')

     def mkdir(self, path):
         path = path.strip()
         is_exist = os.path.exists(os.path.join(self.load_path, path))
         if not is_exist:
             print('创建一个名字为 ' + path + ' 的文件夹')
             os.makedirs(os.path.join(self.load_path, path))
             os.chdir(os.path.join(self.load_path, path))
             return True
         else:
             print('名字为 ' + path + ' 的文件夹已经存在')
             os.chdir(os.path.join(self.load_path, path))
             return False

     def work(self):
         self.login()
         for page_num in range(1, 51):  # 太多页了,只跑50页
             path = str(page_num)  # 每一页就开一个文件夹
             self.mkdir(path)  # 创建文件夹
             # print(self.target_url + str(page_num))
             now_html = self.get_html(self.target_url + str(page_num), 3)  # 获取页码
             self.get_img(now_html.text, page_num)  # 获取图片
             print('第 {page} 页保存完毕'.format(page=page_num))
             time.sleep(2)  # 防止太快被反

 pixiv = Pixiv()
 pixiv.work()