漫画网站爬虫详解

下面对 http://www.svmhz.com/shaonvmanhua/进行爬取，对大神的博客（ http://www.jianshu.com/p/8b4a589f7980）进行详解：

根据网页图片查看响应代码，选中√的地方

查看源代码的方法，浏览器页面按下F12，然后鼠标移动到某个图片时，下面的代码就会变暗

如下，选中网页上的图片时，下面的响应代码就会变暗

鼠标挪动到图片上就出现了

下面对爬虫的代码进行逐行解释

---

------------------------------ 下面解释get_index_page(offset)函数-----------------------------

url  =  'http://www.svmhz.com/shaonvmanhua/list_4_%s.html'  % offset

解释：

以上两张图的3是对应的

该图中的3是对漫画列表提供索引

offset相当于形参，把数据传给s，所以两者前面都有%s

该代码大意比较清楚，如果等待时间比较长，则响应异常，输出相关异常信息

------------------------------get_index_page(offset)函数-------------------------

######## 下面解释parser_index_page(html)函数-----------

入口参数html代表的是网页源代码

listcon_tag = soup.find('ul', class_='listcon')#属性为listcon的列表

列表中的元素

........

是每本漫画书的入口

随便打开列表中的一个元素，会发现以下内容

 url_list = listcon_tag.find_all('a', attrs={'href': True})

这句话是对网页源代码中  包含的所有漫画书连接 进行提取，得到满足需要的部分网页源代码

 urls = ['http://www.svmhz.com' + url['href'] for url in url_list]#遍历子网页的子网页，遍历干净为止。

上述代码也就是说，从url_list集合（当前网页的部分源代码）中提取出对链接修饰的部分，拼接到当前网址：

http://www.svmhz.com

拼接后的结果传给urls集合

该函数的目的是为了获取每本漫画的入口地址，也就是漫画的第一页的地址

函数解释结束

########parser_index_page(html)函数解释结束#########

##############get_image_page(url, total)函数讲解############

入口参数url举例： http://www.svmhz.com/shaonvmanhua/9894.html

total举例(纯数字) ：89

list_url = [ ]

解释：

创建一个列表

  list_url.append(url)

在列表中加入每一本漫画入口地址

url = url.split('.html', 2)[0]

把这个url以.html为标记切割2次，切割结果中取第一个

for i in range(2,total+1):

解释：

total+1是取不到的，所以循环的区间是[2,total+1)

urls = url + '_' + str(i) + '.html'

ulrs举例：

http://www.svmhz.com/shaonvmanhua/6952_165.html，

这个已经是具体到了某特定漫画书的具体某一页了

也就是说该函数的大意是：首先获得每本函数的入口地址，切割改地址后，

后面拼接上页码和html，形成新的地址。

也就是说该函数的目的是：从漫画入口地址=>漫画具体某一页的地址。

新地址存入list_url集合

############get_image_page(url, total)函数讲解结束######

##############parser_image_page(url)讲解#############

该函数的目的是为了获取带有总页数信息

函数的前面部分是为了判断响应是否超时

htmls = etree.HTML(html)

total = htmls.xpath('//*[@id="mh_content"]/div[@class="dede_pages_all"]/div/ul/li[1]/a/text()')[0]#右键复制网页源码中的Xpath，然后粘贴

粘贴的办法是：

粘贴结果是：//*[@id="mh_content"]/div[4]/div/ul/li[1]/a

对上述结果进行修改，用 text()函数获取内容

div[4]修改为:

div[@class="dede_pages_all"]

div[@class="dede_pages_all"]要作为一个整体来看，也算是特征匹配

dede_pages_all来自下图：

此类路径成为xpath，用于对页面的对象存储的所在路径进行定位。

xpath就是js代码中存储某个标签对应的类对象的路径,根据该路径直达图片的存储网址

最终该函数返回total，也即漫画的总页数

-----------------parser_image_page(url)函数讲解结束---------------------------------

---------------------------------get_image_src(url)讲解---------------------------------

入口的链接举例： http://www.svmhz.com/shaonvmanhua/9370_4.html

该链接是漫画的具体第几页的链接

该函数的作用是向链接发送请求，并且获得响应。

------------------------------------get_image_src(url) 讲解结束-----------------------

-------------------------------  parser_img_src(html)讲解 -------------------------------

if语句前出现的变量所代表的对象的具体举例：

titles=【日本漫画】色列本子之[U.R.C] 慧ちゃん限定(13)_少女漫画站

title_page= 【日本漫画】色列本子之[U.R.C] 慧ちゃん限定(13)

title= 【日本漫画】色列本子之[U.R.C] 慧ちゃん限定

if语句后出现的变量的含义如图示

如上图，

img_span  = soup.find ( 'ul',  { 'class' :  'mnlt' } )

用于在网页源代码中找到图片的存储地址所在的范围

可以看到，上图中有个接下来进行正则提取，

进一步锁定范围

锁定符合特征的

img_src  = img_span.find_all ( 'img',  src =re.compile ( '^http://tu.goldlevi.com/svmhz/uploads2/allimg/[0-9]{1,}/(.*?).jpg$' ))

上面的（。*？）是贪婪匹配

for url in img_src:

    urls = url['src']

    down_image(urls, title, titles)#调用了down_image函数

从url中进一步提取src部分然后赋值给urls，这样urls就得到了图片的存储地址

这里必须一步步搜索范围，否则会把其他不相关的图片包括进来

------------------------------- parser_img_src(html)讲解结束 ---------------------------

---------------------------   down_image(url, title, titles) -------------------------------

入口参数举例

url = http: // tu.goldlevi.com / svmhz / uploads2 / allimg / 161129 / 2 - 161129102620.jpg

title = 莲子酱绅士福利本 动漫本子邪恶少女漫画

titles = 莲子酱绅士福利本 动漫本子邪恶少女漫画_少女漫画站

调用 save_image函数进行下载，本函数还进行请求，判断请求是否会超时

------------------   down_image(url, title, titles)讲解结束 -------------------------------

------------------------save_image(content, title, url, titles)讲解----------------

path  =  'D:/pic/'  +  str (title ) #确定保存在哪个文件夹下面
if not os.path.exists (path ) : #如果文件夹不存在，就进行保存

    os.mkdir(path)

file_name的开头是结构，后面是path,titles和.jpg，分别替换用彩色线条连接的部分

------------------------------save_image(content, title, url, titles)结束----------------

#########################结尾###################

if __name__ == '__main__':

    groups = [x for x in range(1, 86)]#爬http://www.svmhz.com/shaonvmanhua/的一部分，总共有85页

    pool = Pool()

    pool.map(main, groups)#

########################结尾讲解结束###################

——————————————————————附上Python3.6源代码——————————————————————————

#-*- coding: utf-8 -*-#-*- coding: utf-8 -*-
from requests.exceptions import RequestException
from bs4 import BeautifulSoup
from multiprocessing import Pool
from lxml import etree
import requests, os, re


def get_index_page(offset):#√
    url = 'http://www.svmhz.com/shaonvmanhua/list_4_%s.html' % offset#offset是形参，用来传给s
    try:
        response = requests.get(url)
        response.encoding = response.apparent_encoding
        if response.status_code == 200:
            return response.text
        print('链接返回出现异常')
        return None
    except RequestException:
        print('爬虫出现异常')
        return None


def parser_index_page(html):#√该函数是为了找到漫画对应的连接在什么地方
    soup = BeautifulSoup(html, 'lxml')
    listcon_tag = soup.find('ul', class_='listcon')#属性为listcon的列表
#在源码中被ui包起来的部分，也就是找到被ul包围起来的列表
    if listcon_tag:
        url_list = listcon_tag.find_all('a', attrs={'href': True})#找到所有的修正部分
        #print("url_list",url_list)
        if url_list:
            urls = ['http://www.svmhz.com' + url['href'] for url in url_list]#遍历子网页的子网页，遍历干净为止。
            return urls#获得各个漫画本的入口的集合,例如http://www.svmhz.com/shaonvmanhua/9642.html


def get_image_page(url, total):#√该函数是为了获取所有子网页的集合
    list_url = []#python的列表创建
    list_url.append(url)
    #print("################")
    #print("url = ",url)
    #print("################")
    #print("total = ",total)
    url = url.split('.html', 2)[0]#把这个url以.html为标记切割2次，切割结果中取第一个
    for i in range(2,total+1):#total+1是取不到的


        urls = url + '_' + str(i) + '.html'#ulrs举例：http://www.svmhz.com/shaonvmanhua/6952_165.html，这个已经是具体到了某特定漫画书的具体某一页了
        list_url.append(urls)
    return list_url#这个函数之所以这么处理，并且序号从2开始，是因为漫画打开后的第一页是没有页码的，页数从每本漫画的第2页才开始


def parser_image_page(url):#获取带有总页数信息的字符串
    try:
        response = requests.get(url)
        response.encoding = response.apparent_encoding
        if response.status_code == 200:
            html = response.text
            htmls = etree.HTML(html)#提取页面数据
            total = htmls.xpath('//*[@id="mh_content"]/div[@class="dede_pages_all"]/div/ul/li[1]/a/text()')[0]#右键复制网页源码中的Xpath，然后粘贴
            if total:
                return total#这里返回的信息举例：“本漫画共69页”
        print('链接异常')
        return None
    except RequestException:
        print('爬虫异常')
        return None


def get_image_src(url):
    #print("此处的url",url)#举例：http://www.svmhz.com/shaonvmanhua/9370_4.html
    try:
        response = requests.get(url)
        print("response",response)
        response.encoding = response.apparent_encoding
        if response.status_code == 200:
            return response.text
        print('链接异常')
        return None
    except RequestException:
        print('爬虫异常')
        return None


def parser_img_src(html):#这里html是网页源码
    soup = BeautifulSoup(html, 'lxml')#soup是beautifulsoup解析过的html
    titles = soup.select('title')[0].get_text()#有可能会有其他的title，但是不需要,这里指需要第一个,
    #print("这里分割：", titles)#日本漫画】色列本子之[U.R.C] 慧ちゃん限定(2)_少女漫画站,(2)是页码
    title_page = titles.split('_', 2)[0]#titles是创立图片时需要使用的名字，title是创立文件夹需要的名字
    #print("title_page=",title_page)
    title = title_page.split('(', 2)[0]#保留（左边的部分
    #print("title=", title)
    img_span = soup.find('ul', {'class': 'mnlt'})
    if img_span:
        img_src = img_span.find_all('img', src=re.compile('^http://tu.goldlevi.com/svmhz/uploads2/allimg/[0-9]{1,}/(.*?).jpg$'))
        if img_src:
            for url in img_src:
                urls = url['src']
                down_image(urls, title, titles)#调用了down_image函数


def down_image(url, title, titles):#根据入口链接对漫画进行下载
    #url = http: // tu.goldlevi.com / svmhz / uploads2 / allimg / 161129 / 2 - 161129102620.j
    #title = 莲子酱绅士福利本 动漫本子邪恶少女漫画
    #titles = 莲子酱绅士福利本 动漫本子邪恶少女漫画_少女漫画站
    try:
        response = requests.get(url)
        if response.status_code == 200:
            save_image(response.content, title, url, titles)#调用函数进行对图片的保存
        print('链接异常')
        return None
    except RequestException:
        print('爬虫异常')
        return None


def save_image(content, title, url, titles):
    path = 'D:/pic/' + str(title)#确定保存在哪个文件夹下面
    if not os.path.exists(path):#如果文件夹不存在，就进行保存
        os.mkdir(path)
    file_name = '{0}/{1}.{2}'.format(path, titles, '.jpg')#{1}.{2}中{1}是名字，{2}是后缀，{0}是文件夹路径
    #print("file_name=",file_name)
    if not os.path.exists(file_name):#如果以该文件为名义的文件不存在
        with open(file_name, 'wb') as f:#读写建立一个新的二进制文件
            f.write(content)
            print('保存漫画成功', title, url)
            f.close()


def main(offset):
    html = get_index_page(offset)#html初始化
    for url in parser_index_page(html):#这里的html是按了F12之后出现的网页源代码，in后面是深层次便利后的 子网页连接的集合
        html = parser_image_page(url)#html代表总页码相关的字符串，例如“本漫画共有89页”
        total = int(re.compile('(\d+)').search(html).group(1))#从带有总页码信息的文字字符串中提取出纯数字信息，提取后结果为：89
        for img_url in get_image_page(url, total):#传入参数，url=某本特定的漫画书入口网址，total：该漫画书页码，该句对哪本漫画书中的第几页进行了精确的确定
            #该函数返回该特定的漫画书中各个页码对应的连接的集合****
            htmls = get_image_src(img_url)#get_image_src是获取url并且在函数里面调用下载函数
            parser_img_src(htmls)
            ##两重for循环的话
##第一个for循环把某个特定漫画的总页码数total和该特定漫画在首页的入口url递给第二个for循环
##那么有一重是负责遍历首页的各种连接的
##有一重是用来遍历该连接中的各种子连接的
##第二个for循环是用来遍历某个特定漫画的各个页并进行下载的
##第一个for是用来遍历首页推荐的各种漫画的


if __name__ == '__main__':
    groups = [x for x in range(1, 86)]#爬http://www.svmhz.com/shaonvmanhua/的一部分，总共有85页
    pool = Pool()
    pool.map(main, groups)#

————————————————————————————————————————————————————

Reference：

http://www.jianshu.com/p/8b4a589f7980

http://www.jianshu.com/p/8b4a589f7980

http://www.w3school.com.cn/xpath/xpath_axes.asp

http://www.svmhz.com/shaonvmanhua/