27报网MM爬虫福利一
27报 http://www.126z.net/z/2019/11/28/41365.html
刚学爬虫花了4个小时写的,每一步备注的都很清楚,喜欢的朋友自己可以研究研究......
目标网站:http://www.126z.net
环境:Python3.x
相关第三方模块:requests、lxml
Re:各位在测试时只需要打开终端,使用 python xxx.py 运行即可。
源码如下:
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import os
import time
import requests
from lxml import etree
class MeiZiSpider(object):
"""27 bao website MM spider"""
def __init__(self):
self.base_url = 'https://www.126z.net/meinv/list_1.html'
self.headers = {'User-Agent': 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)'}
# 构建url的前缀
self.url_prefix = 'https://www.126z.net'
# 构建第二层url的前缀
self.inner_url_prefix = 'https://www.126z.net/meinv/'
# 构建点开每个MM内部的所有url
self.inner_url = 'https://www.126z.net/meinv/56870_{}.html'
# 文件保存的路径
self.path = os.getcwd() + '/27baoMM/'
def send_first_req(self):
"""
发送第一层请求,返回首页响应的html内容
:return: 第一层url的html_str
"""
html_str = requests.get(self.base_url, headers=self.headers).content.decode()
return html_str
def get_total_page(self):
"""
获取网站MM图片总页数
:return: 图片总页数
"""
# 模拟发送请求, 返回响应数据(便于提取总页数)
html_str = self.send_first_req()
# 将返回的 html字符串 转换为 element对象
element_obj = etree.HTML(html_str)
# 提取末页的url, 再切片提取最大页数
total_page = element_obj.xpath('//*[@id="pages"]/a[9]/@href')[0].split('_')[-1].split('.')[0]
print('========该网站MM图片目前共有 {} 页========'.format(total_page))
return total_page
def get_each_girl_url(self, each_page_url):
"""
第一层解析 ---> 获取每一页每个MM(第二层)的url
:param each_page_url: 每一页的url
:return: 每一页每个MM(第二层)的url和title
"""
# 用于存放拼接后每个MM的url
girl_url_list = []
# 模拟发送请求, 返回响应数据(便于提取url)
html_str = self.send_request(each_page_url)
# 将返回的 html字符串 转换为 element对象
element_obj = etree.HTML(html_str)
# 提取所有url后缀 ---> 列表
url_postfix = element_obj.xpath('/html/body/div[2]/div[2]/ul/li/a/@href')
# 提取每个妹妹的标题, 便于后面命名
url_title_li = element_obj.xpath('/html/body/div[2]/div[2]/ul/li/p/a/text()')
# 遍历提取的url列表, 拼接完整的url, 并保存列表中
for url in url_postfix:
# 添加拼接后的url到列表
girl_url_list.append(self.url_prefix + url)
# print(girl_url_list)
title_and_url_li = list(zip(url_title_li, girl_url_list))
# print(title_and_url_li)
return title_and_url_li
def send_request(self, url):
"""
发送第二层请求,返回响应的html内容
:param url: 每个MM(第二层)的url
:return: html_str
"""
try:
response = requests.get(url, headers=self.headers, timeout=5)
except:
return None
html_str = response.content
return html_str
def parse_data(self, html_str):
"""
第二层解析 ---> 获取当前的每个url
:param html_str: 第二层响应的html内容
:return: 具体每张图片的url
"""
# 将返回的 html字符串 转换为 element对象
element_obj = etree.HTML(html_str)
each_image = element_obj.xpath('/html/body/div[3]/center/img/@src')[0]
# print(each_image)
return each_image
def save_file(self, image_data, title, image_name):
"""
保存图片
:param image_data: 具体每张图片的数据
:param title: 具体每个MM的标题
:param image_name: 具体每张图片的名字
:return:
"""
# 如果目录不存在, 就新建
if not os.path.exists(self.path + title):
os.makedirs(self.path + title)
# 切换到新建目录下
os.chdir(self.path + title)
with open(image_name, 'wb') as f:
f.write(image_data)
def download(self):
total_page = self.get_total_page()
# 开循环, 爬取每个页面的每个妹妹的所有图片
for page in range(1, int(total_page) + 1):
print('\n正在爬取第 {} 页...\n'.format(page))
# 构建每一页的url
each_page_url = 'https://www.126z.net/meinv/list_{}.html'.format(page)
title_and_url_li = self.get_each_girl_url(each_page_url)
# 遍历获取每个妹妹的总url
for girl_url in title_and_url_li:
# print(girl_url[1])
html_str = self.send_request(girl_url[1])
print('正在爬取的地址: {}'.format(girl_url[1]))
# 获取目前爬取的MM内部总页数
inner_total_page = etree.HTML(html_str).xpath('//*[@id="pages"]/a[last()-1]/text()')[0]
print('\n目前爬取的MM图片共有 {} 张\n'.format(inner_total_page))
# 循环并构造每一张图片的url, 请求, 解析, 并保存
image_data = None
for inner_page in range(1, int(inner_total_page) + 1):
print('正在爬取 {} 第 {} 张图片...'.format(girl_url[0], inner_page))
# 构造第二页以后的每个url
each_image_url = girl_url[1].split('.html')[0] + '_{}.html'
if inner_page == 1:
# 获取第一页的url, 因为第一页和其他页的规律不一样,所以这里单独出来
each_image_url = self.parse_data(html_str)
# html_str = self.send_request(each_image_url)
image_data = self.send_request(each_image_url)
else:
each_image_url = each_image_url.format(inner_page)
# print(each_image_url)
html_str = self.send_request(each_image_url)
image = self.parse_data(html_str)
image_data = self.send_request(image)
# 如果请求图片的url在5秒之内无响应, 立即终止当前妹妹所有url的循环
if image_data is None:
print('当前MM的url无响应,正在跳转到下一个MM的url\n')
break
# 拼接保存图片的名称
image_name = str(inner_page) + '.jpg'
try:
# 切换图片保存目录
os.chdir(self.path + girl_url[0])
# 判断文件是否存在, 存在则不再保存, 跳过
if os.path.exists(image_name):
print('第 {} 张已保存, 跳过...'.format(inner_page))
continue
except Exception as e:
print('目录 "{}":不存在, 正在新建...'.format(self.path + girl_url[0]))
# 保存图片到本地
self.save_file(image_data, girl_url[0], image_name)
# print(image_list)
if image_data:
print('\n{} 的所有图片已全部爬取完毕...\n'.format(girl_url[0]))
# 休眠5秒中, 避免请求一直处于长连接导致ip被封
time.sleep(10)
if __name__ == '__main__':
MeiZiSpider().download()
27报网MM爬虫福利一相关推荐
- Failed to resolve: com.android.support:appcompat-v7:27.+ 报错解决方法
Failed to resolve: com.android.support:appcompat-v7:27.+ 报错解决方法 参考文章: (1)Failed to resolve: com.andr ...
- C# 学习之路--百度网盘爬虫设计与实现(一)
百度网盘爬虫 现在市面上出现了很多网盘搜索引擎,写这系列博文及爬虫程序的初衷: 更方面的查找资源 学习C# 学习爬虫的设计与实现 记录学习历程 自我监督 能力有限,如有不妥之处,还请各位看官点评.同在 ...
- 有缘网分布式爬虫案例2
有缘网分布式爬虫案例: 修改 spiders/youyuan.py 在spiders目录下增加youyuan.py文件编写我们的爬虫,使其具有分布式: # -*- coding:utf-8 -*-fr ...
- 有缘网分布式爬虫案例
有缘网分布式爬虫案例 # clone github scrapy-redis源码文件 git clone https://github.com/rolando/scrapy-redis.git# 直接 ...
- Android Studio support 26.0.0-alpha1 Failed to resolve: com.android.support:appcompat-v7:27.+ 报错解决方法
Android Studio support 26.0.0-alpha1 Failed to resolve: com.android.support:appcompat-v7:27.+ 报错解决方法 ...
- 最详细新版网课联盟27刷网课平台源码+安装教程+最新模板+下载地址
新版网课联盟27刷网课平台源码+安装教程+最新模板 第一步:准备一个服务器+域名 没有域名暂时使用服务器网址也可以 第二步:上传文件 上传文件到wwwroot上面,进行解压 第三步:进行防伪静态设置: ...
- MOOC网课爬虫逆向(一)
MOOC网课爬虫逆向(一) 进入大学发现线代课居然还有MOOC网上课程的要求,就是具体的会网上做题,大家一般都是满分,自己不去拿满分就很亏,白送的分直接丢了,那有人好好作答可能答错,有人直接开小号刷, ...
- python调用woff_GitHub - zergtant/python-maoyan-spider: woff-xml解码 “猫眼网反爬虫机制” 的爬虫。...
猫眼网反爬虫策略的处理 2018/12/7测试有效 注意:爬取频繁之后,会根据mac与ip地址封禁,修改为局域网其他ip后,大概5-6次修改,就会封网关 [目录] 一.引入问题 可以看到,猫眼网电影评 ...
- python知网工具,一个中国知网的爬虫工具,给定作者,可以获得该作者的所有文献的题录...
cnki-spyder-tool 一个中国知网的爬虫工具,给定作者,可以获得该作者的所有文献的题录 范例 使用时需要将文件tool.py放在正确的位置 import sys sys.path.appe ...
最新文章
- JS基础类型和引用类型
- C# 8.0的三个令人兴奋的新特性
- iis vue history 配置_Vue实战——vueRouter路由的添加与配置
- 5种最流行的AI编程语言
- java 获取注释_Java面试题Java语言有哪些注释的方式?
- 【开发者portal在线开发插件系列二】多条上下行消息(messageId的使用)
- Android优化方案之--Fragment的懒加载实现
- Matlab Tricks(一)—— figure(1)
- TensorFlow教程之API DOC 6.1.3 Class tensorflow::RandomAccessFile
- 谭浩强C语言第五版,学习笔记【7500字】【原创】
- 产品之路第四年的再思考
- ACCESS模糊查询like的解决方法SQL查询语句通配符问题
- 【全开源+免费更新】doodoo.js项目结构
- AD PCB设计笔记
- Unix操作系统设计第一章学习
- windows使用es的客户端es-head
- Git使用技巧大全和技巧
- Windows下msysGit安装
- .NET Petshop详解(五):petshop输出缓存设置 (转)
- 父亲节,家有老人是个宝