python爬虫爬图片教程_爬虫爬取图片的代码

全栈程序员站长

发布于 2022-11-17 10:02:11

99200

代码可运行

文章被收录于专栏：全栈程序员必看全栈程序员必看

运行总次数：0

代码可运行

大家好，又见面了，我是你们的朋友全栈君。

用Python爬虫来爬写真网图片

1.我们先要知道Python爬虫的原理

基本的Python爬虫原理很简单，分为三步

获取网页源码
通过分析源码并通过代码来获取其中想要的内容
进行下载或其他操作

话不多说直接开干

先准备上我们的目标网页

放图片不给过审。。。

开始

我用的工具是：JetBrains PyCharm 2019.1.1 x64

首先导入几个包

import requests
import urllib.request
import re
from bs4 import BeautifulSoup
import os

遍历所有网页

先来看看网页结构分页显示

根据观察，除了第一页，其他页后缀都为*.html一共13页所以我们可以通过for遍历所有页码

for num in range(13):

Jetbrains全家桶1年46，售后保障稳定

可以看到我们吧所有页面都便利了一遍但是第一页比较奇葩他没有在浏览器里显示出来，应该是index.html 所以我们单独把第一页拎出来最后就是这样：

for num in range(13):
    url = "https://www.meitulu.com/t/loli/" + str(num + 1) +  ".html"
    if num == 0:
        url = "https://www.meitulu.com/t/loli/" #第一页比较奇葩

接下来就是获取遍历到的每一页的HTML了

response = requests.get(url)
response.encoding='utf-8'
html = response.text
soup = BeautifulSoup(html,"html.parser")

这段主要就是向URL发送GET请求把获取到的HTML代码存放在soup变量里

遍历所有图集

通过检查元素，我们可以看到每个图集对应的链接：

我们先提前初始化好图集链接

youngerSister_url = []  # 初始化图集链接list

既然是链接，所以我们要获取所有标签中的src,用来进入每个图集

    a_link = soup.find_all('a') #所有a标签
    for link in a_link: #遍历所有链接
        u = link.get("href")

由于一个页面中不止有图集链接，也有其他链接，所以我们要进行筛选

if u != None:
    u2 = re.sub("\d","",u)  #获取连接类型
    if u2 == "https://www.meitulu.com/item/.html":
        if not(u in youngerSister_url):
            youngerSister_url.append(u)     #添加进列表
            print("获取到" + str(len(youngerSister_url)) + "份图集")
            os.system('cls')

具体原理大概就这样接下来只用把每一页的图集都遍历一遍，并且用

urllib.request.urlretrieve(p_url, jpg_name) #下载

来下载

结果

一共获取到将近五万张图片

源码在这：

import requests
import urllib.request
import re
from bs4 import BeautifulSoup
import os
# 获取文件名
file_names = os.listdir("./") #获取所有文件名
#----------------------获取
youngerSister_url = []  # 初始化女生链接list
for num in range(13):
url = "https://www.meitulu.com/t/loli/" + str(num + 1) +  ".html"
if num == 0:
url = "https://www.meitulu.com/t/loli/" #第一页比较奇葩
response = requests.get(url)
response.encoding='utf-8'
html = response.text
soup = BeautifulSoup(html,"html.parser")
a_link = soup.find_all('a') #所有a标签
for link in a_link: #遍历所有链接
u = link.get("href")
if u != None:
u2 = re.sub("\d","",u)  #获取连接类型
if u2 == "https://www.meitulu.com/item/.html":
if not(u in youngerSister_url):
youngerSister_url.append(u)     #添加进列表
print("获取到" + str(len(youngerSister_url)) + "份图集")
os.system('cls')
print("共" + str(len(youngerSister_url)) + "个女生图集")
print("开始下载")
for link in range(len(youngerSister_url)): #进入图集
print("开始下载第" + str(link + 1) + "份图集")
# ----------------------获取
url = youngerSister_url[link]
response = requests.get(url)
response.encoding = 'utf-8'
html = response.text
soup = BeautifulSoup(html, "html.parser")
a_link = soup.find_all('p')  # 所有a标签
for link in a_link:  # 获取图片数量
p_text = link.text
if not p_text.find("图片数量："):
print(p_text)
num_start = p_text.index("：") + 2  # 查找字符串开始位置
num_over = p_text.index("张") - 1  # 查找字符串结束位置
p_num = int(p_text[num_start:num_over])
break  # 结束循环
num_url = re.sub("\D", "", url)  # 替换非数字字符
print("女生编号：" + num_url)
for link in range(p_num):  # 循环图片次数遍
jpg_name  = num_url + "_"+ str(link + 1) + ".jpg"  #图片名
if not(jpg_name in file_names): #文件如果存在就跳过
p_url = "https://mtl.gzhuibei.com/images/img" + "/" + num_url + "/"  + str(link + 1) + ".jpg"
html_head = requests.head(p_url)  # 用head方法去请求资源头
re_code = html_head.status_code #返回请求值
print(p_url)
print("进度" + str(link + 1) + "/" + str(p_num))
if re_code == 200:
urllib.request.urlretrieve(p_url, jpg_name) #下载
else:
print("该连接无效，跳过！")
print("第" + str(link + 1) + "份下载完成！")
input("全部下载完成，按回车键退出")

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/223417.html原文链接：https://javaforall.cn

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2022年10月29日，如有侵权请联系 cloudcommunity@tencent.com 删除

编程算法