利用Python爬去囧网福利(多线程、urllib、request)

import os;

import urllib.request;

import re;

import threading;# 多线程

from urllib.error import URLError#接收异常's 模块

#获取网站的源码

class QsSpider:

    #init 初始化构造函数 .self本身

    def __init__(self):

      self.user_agent='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36'

      self.header = {'User-Agent':self.user_agent}

      self.url = 'http://www.qiubaichengren.net/%s.html'

      self.save_dir = './img'

      self.page_num = 20  #page num

#获取网站源代码

    def load_html(self,page):

        try:

            web_path = self.url % page

            request = urllib.request.Request(web_path,headers=self.header)

            with urllib.request.urlopen(request) as f:

                html_content = f.read().decode('gbk')

                #print(html_content)

                self.pick_pic(html_content)

        except URLError as e :

            print(e.reason) #异常原因

    #download

    def sava_pic(self,img):

        save_path = self.save_dir + "/" +img.replace(':','@').replace('/','_')

        if not os.path.exists(self.save_dir):

            os.makedirs(self.save_dir)

        print(save_path)

        urllib.request.urlretrieve(img,save_path)

    #filter

    def pick_pic(self,html_content):

        patren = re.compile(r'src="(http:.*?\.(?:jpg|png|gif))')

        pic_path_list = patren.findall(html_content)

        for i in pic_path_list:

           #print(i)

           self.sava_pic(str(i))

    #mamy threading

    def start(self):

        for i in range(1,self.page_num):

            thread = threading.Thread(target=self.load_html,args=str(i))

            thread.start()

# main void

spider = QsSpider()

spider.start()

一、爬虫流程：

1、发起请求

使用http库向目标站点发起请求，即发送一个Request

Request包含：请求头、请求体等

Request模块缺陷：不能执行JS 和CSS 代码

2、获取响应内容

如果服务器能正常响应，则会得到一个Response

Response包含：html，json，图片，视频等

3、解析内容

解析html数据：正则表达式（RE模块），第三方解析库如Beautifulsoup，pyquery等

解析json数据：json模块

解析二进制数据:以wb的方式写入文件

4、保存数据

数据库（MySQL，Mongdb、Redis）

文件

二、响应Response

1、响应状态码

　　200：代表成功

　　301：代表跳转

　　404：文件不存在

　　403：无权限访问

　　502：服务器错误

三、http协议请求与响应

Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server）

Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等）

ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。

四、结果（福利）