爬虫python漏洞群_干货分享 | python爬虫我是斗图之王
满满的干货
快来BugScan社区分享交流吧
点击文末“阅读原文”可直接进入社区
悄悄的告诉你,社区论坛留言区有源码喔
本文会以斗图啦网站为例,爬取所有表情包。
阅读之前需要对线程池、连接池、正则表达式稍作了解。
分析网站
页面url分析
打开斗图啦网站,简单翻阅之后发现最新表情每页包含的表情是最多的。
其url是: /photo/list/?page=2 其中page参数为页码,目前有1578页
页面图片元素分析
使用chrome的开发者工具分析一个图片的元素
style="width: 100%; height: 184.471px; display: block;"
data-original="https://ws1.sinaimg.cn/bmiddle/9150e4e5gy1frp2ulvf8uj20dw0hdmy2.jpg"
alt="简直不知羞耻" class="img-responsive lazy image_dta"
data-backup="//img.doutula.com/production/uploads/image//2018/05/27/20180527387499_dYXqmw.jpg!dta">
注意此时实际上我看到是浏览器渲染之后的页面,所以元素可能会是动态生成的。
如果我们要提高效率则应该使用web1.0,因为web2.0需要会更慢也更复杂。
要查看未渲染之前的页面,右键查看源代码搜索图片链接
图床分析
可能是任何ws开头,后面跟数字。为什么会这样?
根据HTTP/1.1协议规定,浏览器客户端在同一时间,针对同一域名下的请求有一定数量限制。超过限制数目的请求会被阻塞
Clients that use persistent connections SHOULD limit the number of simultaneous connections that they maintain to a given server. A single-user client SHOULD NOT maintain more than 2 connections with any server or proxy. A proxy SHOULD use up to 2*N connections to another server or proxy, where N is the number of simultaneously active users. These guidelines are intended to improve HTTP response times and avoid congestion.
来源: RFC-2616-8.1.4 Practical Considerations
而不同的浏览器有不同的限制
测试发现,固定子域名ws1中的数字,图片也依旧可以访问,https也使用http访问
流程梳理
通过改变page参数爬取所有列表页面/photo/list/?page=1
进一步下载图片,并保存为文件
优化说明
为更快爬取页面和图片使用线程池并发请求
连接池要保证域名不能改变,所以图片链接中ws*均替换为ws1
为了得到更快的下载图片https退回到http
代 码
需要先安装requests库pip install requests
# -*- coding: utf-8 -*-import re
import os
import requests
import multiprocessing
from multiprocessing.pool import ThreadPool
# 设置图片保存文件夹BASE_DIR = os.path.join(os.path.dirname(__file__), 'pic')
# 创建三个队列,分别用于图片任务、页面任务、日志记录picqueue = multiprocessing.Queue()
pagequeue = multiprocessing.Queue()
logqueue = multiprocessing.Queue()
# 创建两个线程池,分别用于图片任务,页面任务picpool = ThreadPool(30)
pagepool = ThreadPool(3)
error = []
def getimglist(body):
imglist = re.findall(
r'data-original="https://ws\d([^"]+)"\s+alt="([^"]+)"', body)
for url, name in imglist:
if name:
#根据图片描述拼接最终的图片文件名
name = name[:180] + url[-4:]
#https->http ws*->ws1
url = "http://ws1" + url
logqueue.put(url)
picqueue.put((name, url))
def savefile():
#当前线程位置唯一的一个连接
http = requests.Session()
while True:
name, url = picqueue.get()
#判断是否已经下载
if not os.path.isfile(os.path.join(BASE_DIR, name)):
req = http.get(url)
try:
open(os.path.join(BASE_DIR, name), 'wb').write(req.content)
except:
error.append([name, url])
def getpage():
#当前线程位置唯一的一个连接
http = requests.Session()
while True:
pageid = pagequeue.get()
req = http.get( "https://www.doutula.com/photo/list/?page={}".format(pageid))
getimglist(req.text)
def main():
if not os.path.isdir(BASE_DIR):
os.mkdir(BASE_DIR)
# 将页码放入队列中
for x in range(1, 1579):
pagequeue.put(x)
# 启动页面任务池
for x in range(3):
pagepool.apply_async(getpage)
# 启动图片任务池
for x in range(30):
picpool.apply_async(savefile)
# 打印普片任务剩余个数,页面剩余个数,以及抓取到的url连接
while True:
print(picqueue.qsize(), pagequeue.qsize(), logqueue.get())
if __name__ == '__main__':
main()
结 果
可以看到100M带宽基本吃满
环境差异、网络波动可能会使一些图片下载失败。多执行几次即可。
最终大约可以下载到六万多张表情表。
斗 图
他有的图咱都有
而且可以反怼回去
想要我最后这个用大易语言写的斗图工具,赶紧来bugscan社区下载源码吧。
爬虫python漏洞群_干货分享 | python爬虫我是斗图之王相关推荐
- 爬虫python漏洞群_如何用爬虫获取cnvd漏洞库?
CNVD用了知道创宇的加速乐,这个东西有个反爬虫机制,第一次请求(只带了__jsluid)会只返回一个js文件.第二次请求的时候会带上 __jsluid cookies和JS解密计算出来的一个叫做__ ...
- [转载] python判断字符串中包含某个字符串_干货分享| Python中最常用的字符串方法
参考链接: Python中字符串string capitalize 字符串是字符序列.Python中内置的string类代表基于Unicode国际字符集的字符串.除了Python中常见的操作外,字符串 ...
- python卡尔曼滤波 库_干货分享 | 这可能是史上最全的 Python 算法集
本文是一些机器人算法(特别是自动导航算法)的Python代码合集.其主要特点有以下三点: 选择了在实践中广泛应用的算法: 依赖最少: 容易阅读,容易理解每个算法的基本思想. 希望阅读本文后能对你有所帮 ...
- python del函数_干货:Python的内存管理办法
了解内存管理可以帮助您编写高效的Python代码.可能无法控制内存分配,但是您可以优化程序来更好地分配内存. 在python中,整个对象存储在内存中,对象可以是整数.字符串或列表,以及指向对象的变量. ...
- python 数据库 实战_干货!python与MySQL数据库的交互实战
鼠年大吉 HAPPY 2020'S NEW YEAR 1 安装pymysql库 如果你想要使用python操作MySQL数据库,就必须先要安装pymysql库,这个 库的安装很简单,直接使用pip i ...
- python答疑群_吾爱Python群群友问题答疑
1.首先一位群友提出这样的问题 这个错误很明显,int类型的对象是不支持迭代的,这个是显而易见的.于是给出的解决方案也是很简单的,只需要把int类型数字变为str类型即可. 2.这位群友说,他的元组里 ...
- python怎么模拟浏览器交互_干货分享:python爬虫模拟浏览器的两种方法实例分析(赶紧收藏)...
今天为大家带来的内容是:干货分享:python爬虫模拟浏览器的两种方法实例分析(赶紧收藏) 文章主要介绍了python爬虫模拟浏览器的两种方法,结合实例形式分析了Python爬虫模拟浏览器的两种常见操 ...
- python网络爬虫权威指南 豆瓣_福利分享:个人整理的Python书单,从基础到进阶...
原标题:福利分享:个人整理的Python书单,从基础到进阶 我挑选的一些书籍,大家可以自行到书店或是网上自己选购.也由于个人水平有限,很可能大家觉得优秀的书籍没有列出,如果大家有觉得不错的书籍,欢迎大 ...
- python缺少标准库_干货分享:Python如何自动导入缺失的库
很多同学在写Python项目时会遇到导入模块失败的情况:ImportError: No module named 'xxx'或者ModuleNotFoundError: No module named ...
- python定期自动运行_干货分享 | 适合 Python 入门的 8 款强大工具,不会就你还不知道吧!...
点击上方"人工智能Corner","星标或置顶公众号" 干货分享,第一时间送达 Python是一种开源的编程语言,可用于Web编程.数据科学.人工智能以及许多科 ...
最新文章
- 2019新面貌:博客改版计划进行中!
- matlab配对交易回测,精品案例 | 经典投资策略之配对交易策略
- python3.8新特性 逻辑表达式_Python3.8正式发布!新特性解析在这里
- 双纵坐标的绘图命令_工程师绘图必备软件——OriginLab 2019b
- 串口(SATA)硬盘如何使用GHOST
- 理想制动力分配曲线matlab源代码_电动汽车机电复合制动力分配策略
- 开源,并不意味着免费、开源,不是道德绑架
- servlet 同版本对应的Tomcat版本 ,不同版本的web.xml写法
- .git文件过大,怎么删除
- 域服务器内置用户组说明
- php小程序支付notify,PHP 小程序支付
- 主板定制X86嵌入式器件选型
- 修改Maven默认编译级别
- 程序员不能错过的20个学习网站
- XtraBackUp 全量备份
- matlab积分计算面积,定积分的近似计算(数学实验报告matlab版).doc
- html如何在背景的基础上添加文字,如何创建背景图片并在其上添加文字
- pwnable.kr第五题:passcode
- Dreamwear如何创建javascript_内存管理+如何处理4种常见的内存泄漏
- JS跟APP交互——H5调用原生APP的方法
热门文章
- 某评Mtgsig1.1逆向学习a3解决续写
- 百度智能云重庆工业互联网平台正式亮相,深耕重庆,辐射西南
- Acwing 1077 皇宫看守
- 2017上海AWE家电展,美国Vitamix送出3万杯饮品
- 【转载】从零开始学习「张氏相机标定法」
- Android 之 传感器专题 (3) —— 加速度 / 陀螺仪传感器
- 美女和扁担,两不相关
- 一个服务器可以装几个网站,ecs云服务器可以装几个网站
- 我要自学网视频教程ajax,这么逆天的自学网站,还是第一次见,难怪考不上清华北大...
- 《程序设计基础II》 实验1- 结构体、共用体和枚举