前言
大家早好、午好、晚好吖~
环境使用:
- Python 3.8
- Pycharm 2021.2版本
模块使用:
- import requests >>> pip install requests
- import re
爬虫的基本套路
一. 数据来源分析
- 明确自己需求
- url 唯一资源定位符 <图片 视频 音频 都是唯一url地址>
二. 代码实现步骤
- 发送请求, 用python代码模拟浏览器对于url地址发送请求
- 获取数据, 获取服务器返回响应数据
- 解析数据, 提取我们想要图片url以及图片的标题
- 保存数据, 图片内容保存本地文件夹
代码
import requests # 数据请求模块
import re # 正则表达式
import time # 时间模块
import concurrent.futures
def get_response(html_url):
"""
发送请求函数
:param html_url: 形式参数, 不具备实际意义
:return:
某些你不加伪装,也可以得到数据 <网站反爬>
headers 字典数据类型,
Cookie 用户信息, 常用于检测是否有登陆账号 <需要你登陆账号之后才能看到数据>
User-Agent: 用户代理 表示浏览器基本身份标识
"""
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.54 Safari/537.36'
}
response = requests.get(url=html_url, headers=headers)
return response # <Response [200]> 响应对象, 200表示状态码 请求成功
源码、解答、教程加Q裙：832157862
def get_img_info(html_url):
"""
获取图片信息函数
:param html_url: 网址
:return:
"""
response = get_response(html_url=html_url) # 调用函数
# print(response.text)
# <a href=".*?" title="(.*?)"> () 表示精确匹配, 我们想要数据内容 .*? 通配符 可以匹配任意字符 除了(\n换行符)
# 正则表达式就是复制粘贴 想要的数据用(.*?)表示就可以了
title_list = re.findall('<a href=".*?" title="(.*?)">', response.text)
url_list = re.findall('<img class="ui image lazy" data-original="(.*?)"', response.text)
zip_data = zip(title_list, url_list) # zip() 内置函数, 可以把两个列表数据打包放到一起返回zip对象
return zip_data # <zip object at 0x000001B6B38A8900>
def save(title, img_url):
"""
保存数据
:param title: 图片标题
:param img_url: 图片网址
:return:
"""
# 保存数据, 一定有数据
title = re.sub(r'[\/:*?"<>|\n]', '', title)
img_content = get_response(html_url=img_url).content # 调用前面定义好的发送请求函数 .content 获取图片二进制数据内容
with open('img\\' + title + '.' + img_url.split('.')[-1], mode='wb') as f:
f.write(img_content)
print(title, '保存成功')
源码、解答、教程加Q裙：832157862
def main(link):
"""
主函数, 整合上面所有功能
:param link:
:return:
"""
zip_data = get_img_info(html_url=link)
for title, img_url in zip_data:
save(title, img_url)
if __name__ == '__main__':
# 采集多页数据内容, 可以分析请求url地址变化规律
# 爬虫思路可以通用, 但是代码是不能通用
# 每个网站数据结构不一样, 代码写法就不一样
time_1 = time.time()
exe = concurrent.futures.ProcessPoolExecutor(max_workers=7)
for page in range(1, 201):
url = f'https://fabiaoqing.com/biaoqing/lists/page/{page}.html'
exe.submit(main, url)
exe.shutdown()
time_2 = time.time()
use_time = int(time_2) - int(time_1)
print('总计耗时: ', use_time)
# 单线程 采集20页数据 总计耗时: 71
# 多线程 采集20页数据 总计耗时: 14
# 青灯讲过爬虫 100多个案例 不同平台 网站 <学了不用担心 不会写代码 实践案例管饱...>
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！！！
