前言
大家早好、午好、晚好吖~
今天我们来采集一下这个小姐姐网~
环境使用:
Python 3.8 解释器
Pycharm 编辑器
import re
import requests >>> pip install requests
如果安装python第三方模块:
win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车
在pycharm中点击Terminal(终端) 输入安装命令
如何配置pycharm里面的python解释器?
选择file(文件) >>> setting(设置) >>> Project(项目) >>> python interpreter(python解释器)
点击齿轮, 选择add
添加python安装路径
pycharm如何安装插件?
选择file(文件) >>> setting(设置) >>> Plugins(插件)
点击 Marketplace 输入想要安装的插件名字 比如:翻译插件 输入 translation / 汉化插件 输入 Chinese
选择相应的插件点击 install(安装) 即可
安装成功之后 是会弹出 重启pycharm的选项 点击确定, 重启即可生效
python实现案例: 批量数据采集/下载 <有方法 通用>
一. 数据来源分析
-
明确需求, 我们采集网上什么数据内容, 在什么地方
分析我们想要高清原图在什么地方有
-
浏览器自带工具: 开发者工具 F12
- 鼠标右键点击 插件 选择 network 刷新网页
- 点击选择 Img 可以直接找到图片地址
继续分析, 图片链接是从哪里来的
- 通过搜索分析, 可以知道, 我们想要图片原图url 就在 图片详情页网页源代码里面
二. 代码实现步骤:
发送请求, 模拟浏览器对于 图片目录页面 发送请求
获取数据, 获取服务器返回响应数据
开发者工具 response解析数据, 提取我们想要数据内容
图片详情页url地址发送请求, 模拟浏览器对于 图片详情页url 发送请求
获取数据, 获取服务器返回响应数据
开发者工具 response解析数据, 提取我们想要数据内容
图片原图高清url地址, 以及 标题保存数据, 把图片保存文本文件夹
代码
# 导入数据请求模块 --> 第三方模块, 需要 pip install requests 不会 0 会 1
import requests
# 导入正则模块 内置模块 不需要安装的
import re
"""
1. 发送请求, 模拟浏览器对于 图片目录页面url 发送请求
- python代码如何模拟浏览器?
使用headers 请求头
实现多页数据采集:
分析请求url地址变化规律 --> 分析图片目录页面url地址变化规律
每个网站数据结构是不一样, 数据来源也不一样, 但是分析数据来源思路 和 代码实现步骤过程 差不多的
"""
for page in range(1, 5):
# 字符串格式化方法: 把page传入到字符串当中
print(f'=================正在采集第{page}页的数据内容=================')
确定请求链接
有网站名得链接发出来就不给过拉~宝子们自己按照下面得图添加一下哦
# 模拟浏览器 --> headers 请求头
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'
}
# 发送请求
response = requests.get(url=url, headers=headers)
<Response [200]> 表示请求成功
"""
- 获取数据, 获取服务器返回响应数据
开发者工具 response
response.text获取响应文本数据response.json()获取响应json字典数据 <一定要完整json数据, 否则就会报错>
- 解析数据, 提取我们想要数据内容
图片详情页url地址
re.findall('匹配什么数据', '什么地方') 调用re模块里面findall 去找到匹配数据: 找到所有我们想要数据内容
从 什么地方 去匹配查询 什么数据
从 response.text 去匹配 <li><a target="_blank" href="(.*?)" alt="(.*?)" title=".*?"> 其中 (.*?) 就是我们想要的数据
()表示精确匹配: 我们要的内容没有括号 泛匹配 不要的内容
.*?通配符 元字符 . 表示匹配任意字符<除了换行符\n以外> * 匹配前一个字符0或者无限个 ? 非贪婪匹配模式
"""
提取详情页url地址
img_info = re.findall('<li><a target="_blank" href="(.*?)" alt="(.*?)" title=".*?">', response.text)
# for循环遍历 把列表里面元素 一个一个提取出来
for img, title in img_info:
img: 图片详情页url地址
title: 图片标题
"""
4. 发送请求, 模拟浏览器对于 图片详情页url 发送请求
5. 获取数据, 获取服务器返回响应数据
开发者工具 response
6. 解析数据, 提取我们想要数据内容
图片原图高清url地址, 以及 标题
[0] 列表索引取值 提取第一个元素
"""
# 发送请求 获取响应文本数据
html_data = requests.get(url=img, headers=headers).text
# 提取原图url地址
img_url = re.findall('<img alt=".*?" title=".*?" src="(.*?)">', html_data)[0]
"""
7. 保存数据, 把图片保存文本文件夹
发送请求, 获取数据内容
response.content获取响应二进制数据 <图片/视频/音频/特定格式文件..>
如果图片名字一样的话, 会覆盖掉
split()字符串分割 返回列表[-1]列表索引取值, 提取最后一个元素title + img_url.split('/')[-1]字符串拼接
"""
# 获取二进制数据
img_content = requests.get(url=img_url).content
# 替换特殊字符
img_title = title + img_url.split('/')[-1]
img_title = re.sub(r'[\/:*?:<>|]', '_', img_title)
with open('img漫画\\' + img_title, mode='wb') as f:
f.write(img_content)
print(img_url, img_title)
尾语 💝
好了，我的这篇文章写到这里就结束啦！
有更多建议或问题可以评论区或私信我哦！一起加油努力叭(ง •_•)ง
喜欢就关注一下博主，或点赞收藏评论一下我的文章叭！！！
