Python爬虫入门教程,突破煎蛋网反爬措施,妹子图批量抓取!

今天写一个爬虫爱好者特别喜欢的网站煎蛋网 ,这个网站其实还是有点意思的,网站很多人写了N多的教程了,各种方式的都有,当然网站本身在爬虫爱好者的不断进攻下,也在不断的完善,反爬措施也很多,今天我用 selenium 在揍他一波。

Python爬虫入门教程,突破煎蛋网反爬措施,妹子图批量抓取!_第1张图片

 

Python爬虫入门教程,突破煎蛋网反爬措施,妹子图批量抓取!_第2张图片

 

整体看上去,煎蛋网的妹子图质量还是可以的,不是很多,但是还蛮有味道的,这可能也是爬虫er,一批一批的奔赴上去的原因。

Python爬虫入门教程,突破煎蛋网反爬措施,妹子图批量抓取!_第3张图片

 

1. 网站分析

这个网站如果用 selenium 爬取,其实也没什么要分析的,模拟访问就行,导入必备的模块。

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from lxml import etree
import requests
import time
复制代码

我使用的是 PhantomJS 去加载浏览器,关于这个 PhantomJS ,去互联网搜索一下吧,资料大把,会看的很爽的,总之呢,它可以模拟一个真实的浏览器做任何事情,得到你想要的数据。

browser = webdriver.PhantomJS()
browser.set_window_size(1366, 768) # 这个地方需要设置一下浏览器的尺寸
wait = WebDriverWait(browser,10)
browser.get("http://jandan.net/ooxx")
复制代码

2. 分析数据

程序获取到数据之后就可以对数据进行处理了,编写一个 get_content 函数,用来处理网页源码。

def get_content():
 try:
 wait.until(
 EC.presence_of_element_located((By.XPATH,'//*[@id="comments"]/ol'))
 )
 #
 print("正在爬取{}".format(browser.current_url))
 page_source = browser.page_source # 获取网页源码
 html = etree.HTML(page_source) # 解析源码
 imgs = html.xpath("//li[contains(@id,'comment')]//img/@src") # 匹配图片
 download(imgs)
 except Exception as e:
 print("错误")
 print(e)
 finally:
 browser.close()
复制代码

图片获取到之后,在上面的代码中,注意有一个地方调用了一个 download 函数,这个函数就是用来下载图片的

def download(imgs):
 path = "./xxoo/{}" # 路径我写死了
 for img in imgs:
 try:
 res = requests.get(img)
 content = res.content
 except Exception as e:
 print(e)
 continue
 file_name = img.split("/")[-1] # 获取文件名
 with open(path.format(file_name),"wb") as f:
 f.write(content)
 print(file_name,"成功下载文件")
 time.sleep(0.3)
 # 循环下载完毕,进行翻页操作 previous-comment-page
 next = wait.until(
 EC.presence_of_element_located((By.XPATH, '//*[@id="comments"]//a[@class="previous-comment-page"]'))
 )
 next.click()
 return get_content() # 继续调用上面的网页源码分析流程
复制代码

OK,运行一下。

Python爬虫入门教程,突破煎蛋网反爬措施,妹子图批量抓取!_第4张图片

 

 

你可能感兴趣的:(python)