爬虫福利 之 妹子图网MM批量下载

目标网站：妹子图网

环境：Python3.x

相关第三方模块：requests、beautifulsoup4

Re：各位在测试时只需要将代码里的变量 path 指定为你当前系统要保存的路径，使用 python xxx.py 或IDE运

# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
import os
 
all_url = 'https://www.mzitu.com'
 
# http请求头
Hostreferer = {
    'User-Agent': 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)',
    'Referer': 'http://www.mzitu.com'
}
# 此请求头Referer破解盗图链接
Picreferer = {
    'User-Agent': 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)',
    'Referer': 'http://i.meizitu.net'
}
 
# 对mzitu主页all_url发起请求，将返回的HTML数据保存，便于解析
start_html = requests.get(all_url, headers=Hostreferer)
 
# Linux保存地址
# path = '/home/Nick/Desktop/mzitu/'
 
# Windows保存地址
path = 'E:/mzitu/'
 
# 获取最大页数
soup = BeautifulSoup(start_html.text, "html.parser")
page = soup.find_all('a', class_='page-numbers')
max_page = page[-2].text
 
 
# same_url = 'http://www.mzitu.com/page/'   # 主页默认最新图片
# 获取每一类MM的网址
same_url = 'https://www.mzitu.com/mm/page/'     # 也可以指定《qingchun MM系列》
 
for n in range(1, int(max_page) + 1):
    # 拼接当前类MM的所有url
    ul = same_url + str(n)
 
    # 分别对当前类每一页第一层url发起请求
    start_html = requests.get(ul, headers=Hostreferer)
 
    # 提取所有MM的标题
    soup = BeautifulSoup(start_html.text, "html.parser")
    all_a = soup.find('div', class_='postlist').find_all('a', target='_blank')
 
    # 遍历所有MM的标题
    for a in all_a:
        # 提取标题文本，作为文件夹名称
        title = a.get_text()
        if(title != ''):
            print("准备扒取：" + title)
 
            # windows不能创建带？的目录，添加判断逻辑
            if(os.path.exists(path + title.strip().replace('?', ''))):
                # print('目录已存在')
                flag = 1
            else:
                os.makedirs(path + title.strip().replace('?', ''))
                flag = 0
            # 切换到上一步创建的目录
            os.chdir(path + title.strip().replace('?', ''))
 
            # 提取第一层每一个MM的url，并发起请求
            href = a['href']
            html = requests.get(href, headers=Hostreferer)
            mess = BeautifulSoup(html.text, "html.parser")
 
            # 获取第二层最大页数
            pic_max = mess.find_all('span')
            pic_max = pic_max[9].text
            if(flag == 1 and len(os.listdir(path + title.strip().replace('?', ''))) >= int(pic_max)):
                print('已经保存完毕，跳过')
                continue
 
            # 遍历第二层每张图片的url
            for num in range(1, int(pic_max) + 1):
                # 拼接每张图片的url
                pic = href + '/' + str(num)
 
                # 发起请求
                html = requests.get(pic, headers=Hostreferer)
                mess = BeautifulSoup(html.text, "html.parser")
                pic_url = mess.find('img', alt=title)
                print(pic_url['src'])
                html = requests.get(pic_url['src'], headers=Picreferer)
 
                # 提取图片名字
                file_name = pic_url['src'].split(r'/')[-1]
 
                # 保存图片
                f = open(file_name, 'wb')
                f.write(html.content)
                f.close()
            print('完成')
    print('第', n, '页完成')

扒图步骤分析：（送给有兴趣的朋友） 

1、获取网页源码

打开mzitu网址，用浏览器的F12可以看到网页的请求过程及源码

该步骤代码如下： 

 1 #coding=utf-8
 2  
 3 import requests
 4  
 5 url = 'http://www.mzitu.com'
 6  
 7 #设置headers，网站会根据这个判断你的浏览器及操作系统，很多网站没有此信息将拒绝你访问
 8 header = {
 9         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 UBrowser/6.1.2107.204 Safari/537.36'}
10  
11 #用get方法打开url并发送headers
12 html = requests.get(url,headers = header)
13  
14 #打印结果 .text是打印出文本信息即源码
15 print(html.text)

 

返回的响应，如果没问题的话结果和下面类似，这些就是网页的源码了。

 

 1 
 2 
 3  
 4 ......
 5  
 6         $("#index_banner_load").find("div").appendTo("#index_banner");
 7         $("#index_banner").css("height", 90);
 8         $("#index_banner_load").remove();
 9 });
10 
11 
12 

2、提取所需信息

• 将获取的源码转换为BeautifulSoup对象
• 使用find搜索需要的数据，保存到容器中

该步骤代码如下：

 1 #coding=utf-8
 2  
 3 import requests
 4 from bs4 import BeautifulSoup
 5  
 6 url = 'http://www.mzitu.com'
 7 header = {
 8         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 UBrowser/6.1.2107.204 Safari/537.36'}
 9  
10 html = requests.get(url,headers = header)
11  
12 #使用自带的html.parser解析，速度慢但通用
13 soup = BeautifulSoup(html.text,'html.parser')
14  
15 #实际上是第一个class = 'postlist'的div里的所有a 标签是我们要找的信息
16 all_a = soup.find('div',class_='postlist').find_all('a',target='_blank')
17  
18 for a in all_a:
19     title = a.get_text() #提取文本
20     print(title)

如下就找到了当页所有套图的标题：

1 注意：BeautifulSoup()返回的类型是<class 'bs4.BeautifulSoup'>
2 find()返回的类型是<class 'bs4.element.Tag'>
3 find_all()返回的类型是<class 'bs4.element.ResultSet'>
4 <class 'bs4.element.ResultSet'>不能再进项find/find_all操作

 

 3、进入第二层页面，进行下载操作

 

点进一个套图之后，发现他是每个页面显示一个图片，这时我们需要知道他的总页数，比如：http://www.mzitu.com/26685是某个套图的第一页，后面的页数都是再后面跟/和数字http://www.mzitu.com/26685/2 (第二页)，那么很简单了，我们只需要找到他一共多少页，然后用循环组成页数就OK

 

 

 

该步骤代码如下： 

 1 #coding=utf-8
 2  
 3 import requests
 4 from bs4 import BeautifulSoup
 5  
 6 url = 'http://www.mzitu.com/26685'
 7 header = {
 8         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 UBrowser/6.1.2107.204 Safari/537.36'}
 9  
10 html = requests.get(url,headers = header)
11 soup = BeautifulSoup(html.text,'html.parser')
12  
13 #最大页数在span标签中的第10个
14 pic_max = soup.find_all('span')[10].text
15 print(pic_max)
16  
17 #输出每个图片页面的地址
18 for i in range(1,int(pic_max) + 1):
19     href = url+'/'+str(i)
20     print(href)

 

那么我们接下来就是进行寻找图片地址，保存下来；右键MM图片，点击检查可以发现如图：

 

1 "https://i5.meizitu.net/2019/07/01b56.jpg" alt="xxxxxxxxxxxxxxxxxxxxxxxxx" width="728" height="485">

 

如图所示，上面就是我们MM图片的具体地址了，保存它即可。

该步骤代码如下：

 1 #coding=utf-8
 2  
 3 import requests
 4 from bs4 import BeautifulSoup
 5  
 6 url = 'http://www.mzitu.com/26685'
 7 header = {
 8         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 UBrowser/6.1.2107.204 Safari/537.36'}
 9  
10 html = requests.get(url,headers = header)
11 soup = BeautifulSoup(html.text,'html.parser')
12  
13 #最大页数在span标签中的第10个
14 pic_max = soup.find_all('span')[10].text
15  
16 #找标题
17 title = soup.find('h2',class_='main-title').text
18  
19 #输出每个图片页面的地址
20 for i in range(1,int(pic_max) + 1):
21     href = url+'/'+str(i)
22     html = requests.get(href,headers = header)
23     mess = BeautifulSoup(html.text,"html.parser")
24  
25  
26     #图片地址在img标签alt属性和标题一样的地方
27     pic_url = mess.find('img',alt = title)
28  
29     html = requests.get(pic_url['src'],headers = header)
30  
31     #获取图片的名字方便命名
32     file_name = pic_url['src'].split(r'/')[-1]
33  
34     #图片不是文本文件，以二进制格式写入，所以是html.content
35     f = open(file_name,'wb')
36     f.write(html.content)
37     f.close()

完善后的代码已打包成软件，需要可进讨论群：887934385