Python美女图片爬虫实战
Python美女图片爬虫实战
准备工作
-
python3开发环境
-
相应的python包：
import urllib.request from lxml import etree import re import os import datetime -
开发环境：为了方便测试，
我这里使用的是
Jupyter notebook进行开发测试。当然也可以使用其他的开发环境，例如
PyCharm。 -
谷歌浏览器：用于抓包分析（其他浏览器也可以，例如火狐浏览器）
(更详细的关于安装python包的安装这里就不说了，毕竟这个不是入门教程)
分析网页结构
网站：https://www.mn52.com/ mn52图库网（是正规的网站，没有露点，不属于色情范围，是合法的）
这个网站是一个图片网站，内容基本都是图片，分类有很多，因为网页结构都是一样的，所以我这里选取了性感美女这个分类进行分析。
性感美女：https://www.mn52.com/xingganmeinv/
因为我要爬取这个分类下的所有图片，所以首先我要分析这个url的组成。
爬取的时候是1~220页，每一页有20组图片（即一页有20个缩略图，点击进去才是我们需要获取的原图）。
分析完成之后思路如下：获取每一页的url → 获取每一页的20个详情页面的url → 获取每一详情页下的原图url → 下载每组图片的原图到本地。最后使用循环进行爬取。
大致的思路就是这样，下面开始写代码进行测试。
写代码分析
列表的url组成
第一页
https://www.mn52.com/xingganmeinv/list_1_1.html
第二页
https://www.mn52.com/xingganmeinv/list_1_2.html
末页
https://www.mn52.com/xingganmeinv/list_1_220.html
url组成：
url="https://www.mn52.com/xingganmeinv/list_1_" + number +".html" (number=1-->200)
详情页url的获取
然后根据 Xpath表达式进行获取
//div[@id="waterfall"]/ul/li/div/a/@href
详情页下的所有图片url
使用 Xpath表达式获取
//div/ul[@id="pictureurls"]/li/div/a/img/@src
图片命名规则
图片的类型
- 因为这里的图片有
.jpg和.png两种格式，所有下载的图片还是需要按照这两种格式进行保存，所有需要获取原来图片的保存格式。 - 这里获取图片的数据是根据IO流进行传输的，这里采用二进制的方式进行传输，即字节码方式传输，而不是字符。
由于每一组图片都是一样的格式保存的，要么是 .jpg，要么是 .png，所以我这里只是知道一张图片的保存格式即可，即获取到第一张图片的url后缀即可。
例如：实际的详情页下的某张图片的url组成
https://image.mn52.com/img/allimg/190827/8-1ZRH10243.png
https://image.mn52.com/img/allimg/190818/8-1ZQR13348.jpg
这里我们需要获取的是后面的四个字符
由于前面已经获取了每一个详情页下的所有原图url的列表[ ]，这里只需要获取列表的第一个元素的后四个字符即可。
# src列表下的第一个元素 （src是所有的原图url列表）
firstSrc = src[0]
# 获取字符串的最后四个字符
filetype = firstSrc[-4:]
图片的命名
由于我们需要下载的图片很多，可能有几万张，甚至超过几十万张，所有一个好的命名方式显得很重要。
这里我按照图片原来的命名去命名，即是我需要获取到图片原来的命名名称。
在分析测试过程中，我发现图片命名可能存在以下两种（可能不止两种）
https://image.mn52.com/img/allimg/190827/8-1ZRH10243.png
https://image.mn52.com/img/allimg/c160322/145V4939360050-3110O.jpg
我这里需要获取的是
8-1ZRH10243
145V4939360050-3110O
由于图片类型前面已经获取到了，这里不需要再次获取。（或者也可以直接在这里获取名称和类型，直接省略上一步获取图片类型）
这里我使用正则表达式进行获取
# src是原图的url
pattern = '\w*?\-\w+'
name = re.search(pattern,src).group()
print(name)
# src = 'https://image.mn52.com/img/allimg/c150926/144323X0404I0-1261301.jpg'
# 结果144323X0404I0-1261301
# src = 'https://image.mn52.com/img/allimg/190818/8-1ZQR14016.jpg'
# 结果8-1ZQR14016
这样我们就可以获取到图片的名称了，无论怎么变化，这个正则表达式应该都可以满足这里的需求了。
反爬的解决
前面的工作完成之后，我迫不及待的进行了测试。
然而却遇到了403，404错误…
经过分析，我认为网站设置了防盗链
解决方案：
- 模拟浏览器爬取
- 设置header为该网站链接发出的跳转请求
最后成功解决了。
然后下载了几个小时，下载了21330张性感美女图片，这里只是爬取了1~120页的图片，后面的没有继续去爬取。
自动爬取效果
程序可以改进之处
- 程序可以设置一个时间判断：如果每次请求时间过长就跳过（防止某次请求时间过长，造成程序假死）
- 设置多线程爬取（其实这里和开几个程序爬取是一样道理的，这里感觉没必要…因为该网站服务器感觉性能不高，开太多程序爬取，貌似也没有提高多少效率？）
- 使用Scrapy框架爬取（提高效率？）
完整代码
这里只提供思路，完整的程序这里就不贴出来了，主要是担心到时候太多人去爬这个网站了，造成服务器宕机，毕竟这里只是一时兴起研究一下这个网站，没必要给站长带来麻烦。
最后这个网站的性感美女图片都是写真，是合法的，没有露点，所以不存在色情一说。
有兴趣的朋友可以研究一下，完成的分析过程和思路以及反爬取的解决方案已经给出了。
最后希望大家能完整写出来，搞点写真照欣赏一下<:#滑稽>
