闲来无事，我打算爬一下壁纸，选好wallheaven作为目标之后，经过一番折腾，我写出了一段代码，顺利完成了目标。
一.爬虫第一步自然是上要爬到的网站，进入开发者模式，查看网页结构。我进入wallheaven网站之后，输入关键词“lake”，只勾选选项“Anime”，结果查找到36张动漫壁纸。在我看来这已经足够了。接着，打开F12打开开发者模式，查看代码。
我的目标是找到所搜到图片的总数和图片的链接地址。如图所示
从这张图片可以看到网页节点之间的层次关系，而我们所需要的节点是body/main/header/h1,需要提取其中的文本“36 Wallpapers found for”，在这里可以使用XPath来获取节点信息，语句可以写为：//header[@class="listing-header"]/h1[1]/text()。
表达式 描述
nodename 选取此节点的所有子节点
/ 从当前节点选取直接子节点
// 从当前节点选取子孙节点不管隔了多少代
. 选取当前节点
@ 选取属性
由此看来//header[@class="listing-header"]/h1[1]/text()就是选取了class属性为“listing-header”的header的子节点h1的文本，那就是“36 Wallpapers found for”。
接下来，找图片链接。
同理，要获取的信息是"https://alpha.wallhaven.cc/wallpaper/148364",用xpath的话就要写：
//a[@class="preview"]/@href 。
二，既然网页已经研究够了，那么可以写代码了。
1.导入需要的模块，具体什么模块自己去查。
# -*- coding: utf-8 -*-
"""
Created on Wed Jan 30 17:58:50 2019
@author: yuyuko
"""
#wallhaven爬取
import os
from urllib.parse import urlencode
import time
from requests import codes
import random
import requests
from lxml import etree
2.定义创建文件路径函数，将下载的文件存储到该路径。
def CreatePath(filepath):
if not os.path.exists(filepath):
os.makedirs(filepath)
3.定义获取url函数，这里是通过urlencode方法把url的各个部分拼接起来的，拼接起来的url像是这样的：https://alpha.wallhaven.cc/search?q=lake&categories=010&purity=100&sorting=relevance&order=desc
def GetUrl(keyword,category):
params = {
'q': keyword,
'categories': category,
'purity': '110',
'sorting': 'relevance',
'order':'desc'
}
base_url='https://alpha.wallhaven.cc/search?'
url=base_url + urlencode(params)
return url
4.这里要用到上面说的东西了，获取查找到的图片数。
def GetPictureNum(url):
allpic=" "
try:
html = requests.get(url)
if codes.ok == html.status_code:
selector = etree.HTML(html.text)
pageInfo = selector.xpath('//header[@class="listing-header"]/h1[1]/text()')#提取出文本
string = str(pageInfo[0])#图片数是文本中的第一个
numlist = list(filter(str.isdigit,string)) #有些数字是这样的，11,123,所以需要整理。
for item in numlist:
allpic+=item
totalPicNum=int(allpic) #把拼接起来的字符串进行整数化
return totalPicNum
except requests.ConnectionError:
return None
5.定义函数获取图片链接。这里用到我们上面分析的xpath获取图片信息。
def GetLinks(url,number):
urls=url+'&page='+str(number)
try:
html=requests.get(urls)
selector=etree.HTML(html.text)
PicLink=selector.xpath('//a[@class="preview"]/@href')#这里寻找图片的链接地址，以求得到图片编号
except Exception as e:
print('Error',e.args)
return PicLink
6.现在可以定义一个下载函数了。
def Download(filepath,keyword,url,count,headers):#其中count是你要下载的图片数
#此函数用于图片下载。其中参数url是形如：https://alpha.wallhaven.cc/wallpaper/510308的网址
#510308是图片编号，需要构造html，html是图片的最终直接下载网址。
#因为wallheaven上只有两种格式的图片，分别是png和jpg，所以设置两种最终地址HtmlJpg和HtmlPng，通过status_code来进行判断，状态码为200时请求成功。
string=url.strip('https://alpha.wallhaven.cc/wallpaper/')
HtmlJpg='http://wallpapers.wallhaven.cc/wallpapers/full/wallhaven-' + string+'.jpg'
HtmlPng='http://wallpapers.wallhaven.cc/wallpapers/full/wallhaven-' + string+'.png'
try:
pic=requests.get(HtmlJpg,headers=headers)
if codes.ok==pic.status_code:
pic_path=filepath+keyword+str(count)+'.jpg'
else:
pic=requests.get(HtmlPng,headers=headers)
pic_path=filepath+keyword+str(count)+'.png'
with open(pic_path,'wb') as f:
f.write(pic.content)
f.close()
print("Downloaded image:{}".format(count))
time.sleep(random.uniform(0,3))#这里是让爬虫在下载完一张图片后休息一下，防被侦查到是爬虫从而引发反爬虫机制。
except Exception as e:
print(repr(e))
7.主函数在这里。
def main():
headers = {
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5)\
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36",#请求头，这个可以通过查看你自己的浏览器得到。
}
filepath = ('/home/yuyuko/Pictures/')#存储路径。
keyword=input('请输入关键词:')
category=input('请输入图片分类，共有三种，分别为Gneral,Anime,People三种\
，如果你想要只想选择Anime，就键入010,如果全选就键入111,以此类推:')
CreatePath(filepath) #创建保存路径
url=GetUrl(keyword,category) #获取url
PicNum=GetPictureNum(url)#总图片数
pageNum=int(PicNum/24+1) #求出总页面数
print("We found:{} images.".format(PicNum))
Num=int(input("请输入你想要爬的图片数，不能超过已找到的图片数:"))
j=1
for i in range(pageNum):
PicUrl=GetLinks(url,i+1)
for item in PicUrl:
Download(filepath,keyword,item,j,headers)
j+=1
if(j>Num):#如果你下载的图片够用了，那就直接退出循环，结束程序。
break
else:
pass
break
if __name__ == '__main__':
main()
运行结果是：
找到489张图片，下载三张图片。
