Python爬虫系列(三)多线程爬取斗图网站(皮皮虾,我们上车)

Python爬虫系列(三)多线程爬取斗图网站(皮皮虾,我们上车)_第1张图片
斗图我不怕


最近看了Python多线程的相关内容,并且前几天观看了腾讯课堂潭州学院上面的关于斗图网爬取的公开课,课程内容大致是利用Python多线程爬取斗图(多页),并将图片保存到本地。自己写这篇文章总结下这个项目的所涉及的知识,并将实现过程分享给大家。

首先:分析网站,找到图片的src地址

打开网址:https://www.doutula.com/article/list/?page=1,从网址,我们可以推断出page={页码数字}是为了控制分页。

在每一中,我们可以看到大致有10个套图(套图点击之后是套图里面的具体图片,大致每个套图里有9张表情图),分别放在class为.list-group-item的a标签里,详情如下面的两张图片:


Python爬虫系列(三)多线程爬取斗图网站(皮皮虾,我们上车)_第2张图片
套图位置


Python爬虫系列(三)多线程爬取斗图网站(皮皮虾,我们上车)_第3张图片
每页10个套图a标签

点击一个套图连接之后,我们可以看到套图下的所有图片,然后选择一张图片观察它的src地址,后来发现就是img的属性 onerror的内容(至于为什么不是img下的src,大家可以访问地址试下)

Python爬虫系列(三)多线程爬取斗图网站(皮皮虾,我们上车)_第4张图片
onerror属性


1531909-c7413c5ef64980b6.png
img的src地址

其次:爬取思路(关键)

在第一步分析网站准备工作之后,我们思考下:怎么实现多页爬取?怎么获取每一页所有套图的连接?怎么获取每一套图里面所有表情图片的src?最后怎么实现多线程爬取(加快速度)?为了实现思路清晰,我们将每个模块封装成函数,下面相关代码模块:

(我还不知道简书怎么加入代码框,有没有大佬可以告诉我)


1531909-280916d3dffc3ae2.png
引入模块

(1)获取一个网页的源码

url地址是指每一页的地址,等会用format函数传递页码,实现多页爬取

1531909-2d8dac94547285d1.png
获取一页的源码

(2)获取每一页的所有套图的链接,利用套图链接去获取所有套图详情网页源码(有点绕)

Python爬虫系列(三)多线程爬取斗图网站(皮皮虾,我们上车)_第5张图片
获取带有图片的源码

(3)利用xpath获取每一个图片的带有src地址的onerror属性内容


Python爬虫系列(三)多线程爬取斗图网站(皮皮虾,我们上车)_第6张图片
图片所在div
Python爬虫系列(三)多线程爬取斗图网站(皮皮虾,我们上车)_第7张图片
获取onerror内容

这里解释下这段代码:一页中有10个套图,然后每个套图中有9个图片,所以我们在这里获得的items有90个(图片所在的div),然后我们在每一个items中获取onerror里的内容,以便(4)步中的start_save_img()调用

(4)利用正则获取onerror内容里的图片src地址,然后用多线程实现下载图片


Python爬虫系列(三)多线程爬取斗图网站(皮皮虾,我们上车)_第8张图片
多线程下载图片

首先解释下 start_save_img(imgurl_list):参数 imgurl_list是我们(3)中获得onerror的内容(注意:不是图片的src地址,我们还要用注册和切片处理下)。其中我们在for循环中创建一个线程,调用的方法是save_img,传递的参数是onerror

save_img(img_url):接到onerror,用正则和切片处理后获得到每个图片的src地址,最后保存到本地,% img_url.split('/')[-1]这个事命名方式,大家可以仔细观察下每个图片得src地址最一个/后的内容不一样(这里大家也可以用其他方式命名)

(5)调用方法执行


Python爬虫系列(三)多线程爬取斗图网站(皮皮虾,我们上车)_第9张图片
多页(1-7)爬取

最后:运行代码,效果如下:


运行效果(我用的校园网)

总结:这个小项目其实用到很多Python爬虫的知识,并且涉及到多线程,爬取速度还算可以。代码都会写,还是希望自己可以掌握这些方法,下次拿到别的网站自己也会有大致思路了。(ps:如果我有的地方写的不对后者解释不当,请大家海涵和留言指出)

(ps:源码的话,建议先按图片敲一遍,动手实践下,好处我不说了。或者可以留言邮箱,我发给大家)

你可能感兴趣的:(Python爬虫系列(三)多线程爬取斗图网站(皮皮虾,我们上车))