作者：xiaoyu
微信公众号：Python数据科学
知乎：Python数据分析师
<10>
海贼王已经10年了，一路陪伴了我们的点点滴滴。它热血，激情，感人，欢乐，吸引了无数男女老少的紧紧跟随。
说起来还真有点小心酸，原谅博主也是个海贼迷，心中怀揣着很大的梦想，誓死也要成为海贼王的男人。
但如今梦想已经破灭了，因为博主有了女朋友...
什么？说我是假粉丝，我上去就给你一巴掌！看到最后你就知道什么叫真粉儿！！
好了，收！
爬取目标
说说我们的正题，前面两篇爬虫学习介绍了正则和BeautifulSoup的内容，这里其实是想借着这个机会给大家分享一下正则和BeautifulSoup解析的实战例子。
目标实现比较简单，就是下载xxx网站上海贼王动漫的套图。爬取效果如下：
（截取了部分下载过程）
（部分下载图片）
采取了多线程爬取，总共1000多张，都存在本地了。
功能分析
本篇目的是使用正则+BeautifulSoup，因此后面不更多赘述了。
提取系列链接
通过开发者工具看到，所有的系列都是同一级别的节点，那么我们首先应该做的是遍历所有页码，然后提取每页各个系列的链接。
接下来看看链接在哪。
小提示：红框内第一个是鼠标自动跟随，第二个是手机/PC切换，使用起来非常方便。
具体点开其中一个系列标签一看，我们要的链接正是标签下的href属性，但是你会发现有两个一模一样的href属性，链接也一样，而我们只需要一个，这就需要小处理一下了，提供两个思路：
- 使用BeautifulSoup方法单独提炼出一个链接
- 两个链接都提炼出来，放进set集合中去重
这里博主用的第一种方法。
提取系图片链接
同样的过程，图片的链接在 标签的src属性
但是这里的网页排版有个问题，就是有的系列中多组图在一页中，而有的系列每页只有一张图，需要翻页查看。
解决方法是不管有没有翻页，都直接遍历该系列下的所有页，通过返回的状态码来判断下一步动作。
好了，解析的任务的分析差不多完成了，下面看看具体代码如何实现的。
代码实现
下载系列链接：
def html_parse(self, num):
try:
url_make = self.url.format(num)
html = requests.get(url_make, timeout=10)
soup = BeautifulSoup(html.content, 'lxml')
ul_tag = soup.find_all('ul', class_='spic pic1')
soup1 = BeautifulSoup(str(ul_tag[0]), 'lxml')
for counter, li_tag in enumerate(soup1.find_all('li')):
soup2 = BeautifulSoup(str(li_tag), 'lxml')
a_tag = soup2.find_all('a')
href_list = re.findall(re.compile('href="(.+?)"'), str(a_tag))
if len(href_list) != 0:
print('第 ' + str(num) + ' 页: ----第 ' + str(counter + 1)
+ '个链接：' + href_list[0] + ' ----')
self.q.put(href_list[0])
sleep(random.randint(2, 3))
except requests.ConnectionError:
pass
下载图片链接：
def picture_parse(self):
try:
sub_url = self.q.get()
sub_url_base = sub_url[:-6]
for page in range(1, 10):
sub_url_new = sub_url_base + '_' + str(page) + '.shtml'
html2 = requests.get(sub_url_new)
if html2.status_code == 200:
soup = BeautifulSoup(html2.content, 'lxml')
div_tag = soup.find_all('div', id='pictureContent')
soup1 = BeautifulSoup(str(div_tag[0]), 'lxml')
for img_tag in soup1.find_all('img', src=re.compile('.+?')):
soup3 = BeautifulSoup(str(img_tag), 'lxml')
if soup3.img['src'] is not None:
self.picture_link.append(soup3.img['src'])
print(str('----' + soup3.img['alt']) + '链接 : '
+ str(soup3.img['src']) + ' ----')
sleep(random.randint(2, 3))
else:
pass
except requests.ConnectionError:
pass
下载并储存图片到本地：
def picture_store(self):
try:
for num, link in enumerate(set(self.picture_link)):
html3 = requests.get(link)
picture_path = 'D:\Pictures_Downloaded\\' + 'pic' + str(num+1) + '.jpg'
with open(picture_path, 'wb') as f:
f.write(html3.content)
except requests.ConnectionError:
pass
多线程队列任务：
def main(self):
page_num = 2
threads_0 = []
for i in range(1, page_num):
t = Thread(target=self.html_parse, args=(i,), name='Thread-0')
threads_0.append(t)
for i in range(len(threads_0)):
threads_0[i].start()
for i in range(len(threads_0)):
threads_0[i].join()
threads_1 = []
for i in range(self.q.qsize()):
t1 = Thread(target=self.picture_parse, args=(), name='Thread-1')
threads_1.append(t1)
for i in range(len(threads_1)):
threads_1[i].start()
for i in range(len(threads_1)):
threads_1[i].join()
self.picture_store()注：爬取间隔可以适当再长点，减轻目标服务器的负担，也理解一下辛苦的运维工作人员。
代码比较简单，目的是在实战中掌握正则和BeautifulSoup解析方法，欢迎大家指点和讨论。
完整代码已上传到Github，请参考：https://github.com/xiaoyusmd/...
作品展示
这部分是为了兑现铁粉儿的承诺，不感兴趣可忽略。
博主库爱画画，素描，水彩，国画都学过点，当然这个是在wacom绘画板上，利用corel painter + photoshop完成的。由于热爱海贼王动漫，闲暇时间画了个各种海贼绘画。
以下是几张索隆桑的绘图（无水印），感兴趣的朋友可以收藏：）
关注微信公众号Python数据科学，获取 120G 人工智能 学习资料。