27报网MM爬虫福利一
27报 http://www.126z.net/z/2019/11/28/41365.html
刚学爬虫花了4个小时写的，每一步备注的都很清楚，喜欢的朋友自己可以研究研究......
目标网站：http://www.126z.net
环境：Python3.x
相关第三方模块：requests、lxml
Re：各位在测试时只需要打开终端，使用 python xxx.py 运行即可。
源码如下:
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import os
import time
import requests
from lxml import etree
class MeiZiSpider(object):
"""27 bao website MM spider"""
def __init__(self):
self.base_url = 'https://www.126z.net/meinv/list_1.html'
self.headers = {'User-Agent': 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)'}
# 构建url的前缀
self.url_prefix = 'https://www.126z.net'
# 构建第二层url的前缀
self.inner_url_prefix = 'https://www.126z.net/meinv/'
# 构建点开每个MM内部的所有url
self.inner_url = 'https://www.126z.net/meinv/56870_{}.html'
# 文件保存的路径
self.path = os.getcwd() + '/27baoMM/'
def send_first_req(self):
"""
发送第一层请求，返回首页响应的html内容
:return: 第一层url的html_str
"""
html_str = requests.get(self.base_url, headers=self.headers).content.decode()
return html_str
def get_total_page(self):
"""
获取网站MM图片总页数
:return: 图片总页数
"""
# 模拟发送请求, 返回响应数据(便于提取总页数)
html_str = self.send_first_req()
# 将返回的 html字符串 转换为 element对象
element_obj = etree.HTML(html_str)
# 提取末页的url, 再切片提取最大页数
total_page = element_obj.xpath('//*[@id="pages"]/a[9]/@href')[0].split('_')[-1].split('.')[0]
print('========该网站MM图片目前共有 {} 页========'.format(total_page))
return total_page
def get_each_girl_url(self, each_page_url):
"""
第一层解析 ---> 获取每一页每个MM(第二层)的url
:param each_page_url: 每一页的url
:return: 每一页每个MM(第二层)的url和title
"""
# 用于存放拼接后每个MM的url
girl_url_list = []
# 模拟发送请求, 返回响应数据(便于提取url)
html_str = self.send_request(each_page_url)
# 将返回的 html字符串 转换为 element对象
element_obj = etree.HTML(html_str)
# 提取所有url后缀 ---> 列表
url_postfix = element_obj.xpath('/html/body/div[2]/div[2]/ul/li/a/@href')
# 提取每个妹妹的标题, 便于后面命名
url_title_li = element_obj.xpath('/html/body/div[2]/div[2]/ul/li/p/a/text()')
# 遍历提取的url列表, 拼接完整的url, 并保存列表中
for url in url_postfix:
# 添加拼接后的url到列表
girl_url_list.append(self.url_prefix + url)
# print(girl_url_list)
title_and_url_li = list(zip(url_title_li, girl_url_list))
# print(title_and_url_li)
return title_and_url_li
def send_request(self, url):
"""
发送第二层请求，返回响应的html内容
:param url: 每个MM(第二层)的url
:return: html_str
"""
try:
response = requests.get(url, headers=self.headers, timeout=5)
except:
return None
html_str = response.content
return html_str
def parse_data(self, html_str):
"""
第二层解析 ---> 获取当前的每个url
:param html_str: 第二层响应的html内容
:return: 具体每张图片的url
"""
# 将返回的 html字符串 转换为 element对象
element_obj = etree.HTML(html_str)
each_image = element_obj.xpath('/html/body/div[3]/center/img/@src')[0]
# print(each_image)
return each_image
def save_file(self, image_data, title, image_name):
"""
保存图片
:param image_data: 具体每张图片的数据
:param title: 具体每个MM的标题
:param image_name: 具体每张图片的名字
:return:
"""
# 如果目录不存在, 就新建
if not os.path.exists(self.path + title):
os.makedirs(self.path + title)
# 切换到新建目录下
os.chdir(self.path + title)
with open(image_name, 'wb') as f:
f.write(image_data)
def download(self):
total_page = self.get_total_page()
# 开循环, 爬取每个页面的每个妹妹的所有图片
for page in range(1, int(total_page) + 1):
print('\n正在爬取第 {} 页...\n'.format(page))
# 构建每一页的url
each_page_url = 'https://www.126z.net/meinv/list_{}.html'.format(page)
title_and_url_li = self.get_each_girl_url(each_page_url)
# 遍历获取每个妹妹的总url
for girl_url in title_and_url_li:
# print(girl_url[1])
html_str = self.send_request(girl_url[1])
print('正在爬取的地址: {}'.format(girl_url[1]))
# 获取目前爬取的MM内部总页数
inner_total_page = etree.HTML(html_str).xpath('//*[@id="pages"]/a[last()-1]/text()')[0]
print('\n目前爬取的MM图片共有 {} 张\n'.format(inner_total_page))
# 循环并构造每一张图片的url, 请求, 解析, 并保存
image_data = None
for inner_page in range(1, int(inner_total_page) + 1):
print('正在爬取 {} 第 {} 张图片...'.format(girl_url[0], inner_page))
# 构造第二页以后的每个url
each_image_url = girl_url[1].split('.html')[0] + '_{}.html'
if inner_page == 1:
# 获取第一页的url, 因为第一页和其他页的规律不一样，所以这里单独出来
each_image_url = self.parse_data(html_str)
# html_str = self.send_request(each_image_url)
image_data = self.send_request(each_image_url)
else:
each_image_url = each_image_url.format(inner_page)
# print(each_image_url)
html_str = self.send_request(each_image_url)
image = self.parse_data(html_str)
image_data = self.send_request(image)
# 如果请求图片的url在5秒之内无响应, 立即终止当前妹妹所有url的循环
if image_data is None:
print('当前MM的url无响应，正在跳转到下一个MM的url\n')
break
# 拼接保存图片的名称
image_name = str(inner_page) + '.jpg'
try:
# 切换图片保存目录
os.chdir(self.path + girl_url[0])
# 判断文件是否存在, 存在则不再保存, 跳过
if os.path.exists(image_name):
print('第 {} 张已保存, 跳过...'.format(inner_page))
continue
except Exception as e:
print('目录 "{}"：不存在, 正在新建...'.format(self.path + girl_url[0]))
# 保存图片到本地
self.save_file(image_data, girl_url[0], image_name)
# print(image_list)
if image_data:
print('\n{} 的所有图片已全部爬取完毕...\n'.format(girl_url[0]))
# 休眠5秒中, 避免请求一直处于长连接导致ip被封
time.sleep(10)
if __name__ == '__main__':
MeiZiSpider().download()