爬取某图片网站全站代码

贴出代码以供大家共享,其实爬虫很简单,难的是突破反爬虫,今天看了一些反爬虫的资料,明天或后天整理一下,写上一篇文章。

代码如下:

import requests

from bs4 import BeautifulSoup

import os,time,random

from selenium import webdriver

user_agent_list = [

"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",

"Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",

"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",

"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",

"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",

"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",

"Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",

"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",

"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",

"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",

"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",

"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",

"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",

"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",

"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",

"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",

"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",

"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",

"Mozilla/5.0 (iPhone; CPU iPhone OS 7_1_2 like Mac OS X) App leWebKit/537.51.2 (KHTML, like Gecko) Version/7.0 Mobile/11D257 Safari/9537.53"

]

baseurl='http://www.66bb.org'

href_list=[]

name_list=[]

UA=random.choice(user_agent_list)#获取随机的User_Agent

headers={'User_Agent':UA}

proxies = {"http": "http://119.5.0.58:808"}

proxies = {"http": "http://219.217.80.182:1080"}

html=requests.get(baseurl,headers=headers)

html.encoding='gb2312'

Soup=BeautifulSoup(html.text,'lxml')

href_all=Soup.find('ul',class_='topline_3b').findAll('li')

for i in range(0,len(href_all)):

lanmu_href=href_all[i].find('a')['href']

lanmu_name=href_all[i].find('a').get_text()

href_list.append(lanmu_href)

name_list.append(lanmu_name)

for lanmu_num in range(0,len(href_list)):

baseurl=baseurl+href_list[lanmu_num]

start_num=0

start_page=int(start_num/20)+1

start_image=int(start_num%20)

#看了看,一共有6页

for i in range(start_page,15):

#获取每页的链接和名称

if i != 1:

urllink=baseurl+'list4'+str(i)+'.html'

else:

urllink=baseurl

#获取第X页的第XX个链接地址和文件夹名称

UA=random.choice(user_agent_list)#获取随机的User_Agent

headers={'User_Agent':UA}

#proxies = {"http": "http://119.5.0.58:808"}

#proxies = {"http": "http://219.217.80.182:1080"}

html=requests.get(urllink,headers=headers)

html.encoding='gb2312'

Soup=BeautifulSoup(html.text,'lxml')

all_url=Soup.find(class_="fzltp").findAll('li')

#所有的dd标签都是图册,而dt是栏目头

print(u'第',i,u'页共包含有',len(all_url),u'个图册,开始下载')

print(all_url[0])

print(all_url[0].find('a'))

#开始提取图册的链接地址和帖子名称

for num in range(start_image,len(all_url)):

#获取地址,连接后解析html,主要目的是为了获取图片总数

href=all_url[num].find('a')['href']

href1='http://www.66bb.org'+href

#http://www.66xx.org/ArtDD/

UA=random.choice(user_agent_list)#获取随机的User_Agent

headers={'User_Agent':UA}

page1html=requests.get(href1,headers=headers)

page1html.encoding='gb2312'

page1soup=BeautifulSoup(page1html.text,'lxml')

total_pages_1=page1soup.find('div',class_='tpm01').find('font',color='blue').get_text()

total_pages_1=int(total_pages_1[-3:-1])

print(u'共有',total_pages_1,u'页图片需要保存')

#获取文件夹名字

dirname=all_url[num].find('img')['alt']

#建立文件夹,打开子文件夹

os.chdir("D:\\")

path = name_list[lanmu_num]+'\\'+dirname+'('+str(total_pages_1)+'P)'

isExists = os.path.exists(os.path.join("D:\\66人体艺术图片\\",path))

if not isExists:

print(u'建了一个名字叫做', path, u'的文件夹!')

os.makedirs(os.path.join("D:\\66人体艺术图片\\", path))

else:

print(u'名字叫做', path, u'的文件夹已经存在了!')

continue

#跳出本次循环

os.chdir("D:\\66人体艺术图片\\"+path)

#basename=imgsrc1[-14:-5]

#寻找所有的图片地址,打开图片网页,保存图片

#最后一个页面的网页打不开,不是个例,应该是个普遍现象

for i in range(1,total_pages_1+1):

baseurl_2=href1+str(i) +'.html'

html_2=requests.get(baseurl_2,headers=headers)

html_2.encoding='gb2312'

soup_2=BeautifulSoup(html_2.text,'lxml')

#提取主图的地址和名字

image_href=soup_2.find('div',class_='imgbox').find('img')['src']

image_href='http://www.66bb.org'+image_href

#image_name=soup_2.find('div',class_='imgbox').find('img')['alt']

#image_name=image_name[-3:]+'.jpg'

image_name=str(i)+'.jpg'

#这里如果普通的请求总是中断,可以使用selenium来操纵chrome和PhantomJS

#browser=webdriver.Chrome()

#browser = webdriver.PhantomJS(executable_path="phantomjs.exe")

#browser.get(image_href)

time.sleep(1)

#imghtml=browser.page_source #这个函数获取页面的html

UA=random.choice(user_agent_list)#获取随机的User_Agent

headers={'User_Agent':UA}

try:

imgrealhtml=requests.get(image_href,headers=headers)

except:

time.sleep(5)

print(u'请稍等,5秒后重连')

UA=random.choice(user_agent_list)#获取随机的User_Agent

headers={'User_Agent':UA}

imgrealhtml=requests.get(image_href,headers=headers)

f = open(image_name,'ab')

f.write(imgrealhtml.content)

f.close()

print(u'第',i,u'张图片保存完毕')

time.sleep(1)

#browser.quit()

print(u'共有',total_pages_1,u'张图片保存完毕')

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,547评论 6 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,399评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,428评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,599评论 1 274
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,612评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,577评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,941评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,603评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,852评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,605评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,693评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,375评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,955评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,936评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,172评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 43,970评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,414评论 2 342

推荐阅读更多精彩内容