好久没写爬出了，这段时间都这折腾别的，今天看了个视频爬图片，自己无聊也写了个千图网的爬虫，结果写了好久，真是生疏，等把web知识补完一定要多写啊。
好了，我们先看看网站，看看如何遍历全站，截图是我选择的入口
Paste_Image.png
既然找到了遍历的入口，接下来就简单了。这里讲下主要思路，跟之前爬宜搜全站一样，先爬主页的所有子栏目的网址，然后根据每个子栏目的页数构造出每一个页面的网址，之后就是遍历全站了，这里贴一下scrapy里面主要spider是代码
# -*- coding: utf-8 -*-
import scrapy
from scrapy.http import Request
from qiantu_spider.items import QiantuSpiderItem
class QiantuSpider(scrapy.Spider):
name = "qiantu"
allowed_domains = ["58pic.com"]
start_urls = ['http://58pic.com/']
def parse(self, response):
all_url = response.xpath('//div[@class="moren-content"]/a/@href').extract()
#print(all_url)
for i in range(0,int(len(all_url))):
single_url = all_url[i]
each_html = single_url + '0/day-1.html' # 将每个页面构造成第一页的网址，方便提取每页的最大页数
yield Request(each_html,callback=self.list_page,meta={'front':single_url})#把每个子网站传到下面的函数
def list_page(self,response):
front_url = response.meta['front']
try:
max_page = response.xpath('//*[@id="showpage"]/a[8]/text()').extract()[0]#提取最大页数
print(max_page)
#print(front_url)
try:
for i in range(1,int(max_page)+1):
img_page = front_url+'0/day-'+str(i)+'.html'#构造出每一个分类的所有url，接下来就是提取图片地址了
#print(img_page)
yield Request(url=img_page,callback=self.get_img_link)
except:
print('该网页没有数据')
except Exception as e:
print('网页没有最大页数，作废网页')
def get_img_link(self,response):
item =QiantuSpiderItem()
img_link1 = response.xpath("//a[@class='thumb-box']/img/@src").extract()
if img_link1:
#该网站图片有点奇葩，有些页面的图片存储方式不一样，总体来说是这两者，分开写就好了
item['img_urls'] =img_link1
#print(1,img_link1)
yield item
else:
img_link2=response.xpath('//*[@id="main"]/div/div/div/div/div/a/img/@src').extract()
item['img_urls'] = img_link2
yield item
#print(2,img_link2)
下面是piplines代码，主要是把图面下载到指定的文件夹，用了urlretrieve方法
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
import urllib.request
import re
import os
class QiantuSpiderPipeline(object):
def process_item(self, item, spider):
for url in item['img_urls']:
try:
real_url = re.sub(r'!(.*)','',url)#把每个图片地址！号后面的字符去掉，剩下的是高清图地址
name = real_url[-24:].replace('/','')#去除不能表示文件名的符号，这里将我搞死了
#print(name)
file ='E://qiantu/'
urllib.request.urlretrieve(real_url,filename=file+name)
except Exception as e:
print(e,'该图片没有高清地址')
print('成功下载一页图片')
千图网全站的爬取很简单，不过记得要在settings里面把robot.txt协议改掉，最好也伪造一下useragent
如图是短短几分钟的爬取效果
Paste_Image.png
下次要挑个特别有难度的网站爬了才行，github地址：https://github.com/xiaobeibei26
