第056讲: 论一只爬虫的自我修养4:OOXX | 学习记录（小甲鱼零基础入门学习Python）
（标答出处: 鱼C论坛）
《零基础入门学习Python》
本节知识点：
今天我们结合前面学习的知识，进行一个实例，从网络上下载图片，话说我们平时闲来无事会上煎蛋网看看新鲜事，那么，熟悉煎蛋网的朋友一定知道，这里有一个 随手拍 的栏目，我们今天就来写一个爬虫，自动抓取每天更新的 随手拍。
要写爬虫，首先要做的第一件事就是踩点，主动发现网页之间的规律，还有图片链接之间有什么规律，例如说，该网站的链接形式为：http://jandan.net/ooxx/page-‘页码数’#comments， （页码数应该小于等于当天的页码数（即目前最大页码数）），
1.那我们怎样获取目前最大的页码数呢（最新页码），我们在页码[77]这个位置点击右键，审查元素，看到了[77]：
我们完全可以通过搜索 current-comment-page 在后面偏移 3 位就可以得到 77 这个最新的页面，因为你不能去输入一个具体的数字，因为这里的数字每天都会改变。
2.我们在图片的位置点击右键，审查元素，发现了图片的地址，都是来自于新浪，然后都在 img 标签里，我们就可以使用 img src 作为关键词来进行查找，搜索到了图片的地址就可以参照我们之前下载一只猫的例子了。把下面图片的地址用 urlopen() 打开，然后将其 save 到一个文件里去（二进制），就可以了。
我们弄清楚了以上几点，就可以开始写我们的爬虫程序啦…
（我们抓取前10页的图片，保存到指定的本地文件夹中）
下面是老师讲的代码：
#从煎蛋网的随手拍栏目下载图片
import urllib.request
import os
import random
def url_open(url):
req = urllib.request.Request(url)
req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.65 Safari/537.36')
#使用代理（就加入下面五行）
#proxies = ['119.6.144.70:81', '111.1.36.9:80', '203.144.144.162:8080']
#proxy = random.choice(proxies)
#proxy_support = urllib.request.ProxyHandler({'http':proxy})
#opener = urllib.request.build_opener(proxy_support)
#urllib.request.install_opener(opener)
response = urllib.request.urlopen(url)
html = response.read()
return html
def get_page(url): #得到最新页面的页码数
html = url_open(url)
html = html.decode('utf-8') #因为要以字符串的形式查找，所以要 decode
#然后就是查找 html 中的 'current-comment-page'
a = html.find( 'current-comment-page') + 23 #加上 23 位偏移就刚到到页码数的第一位数字
b = html.find(']', a) #找到 a 位置之后的第一个方括号所在位置的索引坐标
return html[a : b] #这就是最新的页码数啦
def find_imgs(url): #给一个页面的链接，返回所有图片地址组成的列表
html = url_open(url).decode('utf-8')
img_addrs = [] #声明一个保存图片地址的列表
#查找图片地址
a = html.find('img src=')
while a != -1:
b = html.find('.jpg', a, a+255) #在 a 到 a+255 区间找 '.jpg'，防止有不是 '.jpg' 格式的图片
#如果 b 找不到，b 就返回 -1
if b != -1:
img_addrs.append(html[a+9: b+4])
else:
b = a + 9
a = html.find('img src=', b)
return img_addrs
def save_imgs(folder, img_addrs):
for each in img_addrs:
filename = each.split('/')[-1]
with open(filename, 'wb') as f:
img = url_open(each)
f.write(img)
def download_figures(folder = 'figures', page = 10):
os.mkdir(folder) #创建文件夹
os.chdir(folder)
url = "http://jandan.net/ooxx/" #随手拍栏目的链接，也是最新页面的链接
page_num = int(get_page(url)) #得到最新页面的页码数
for i in range(page):
page_url = url + 'page-' + str(page_num) + '#comments' #得到要爬取的页面的链接
print(page_url)
img_addrs = find_imgs(page_url) #得到页面所有图片的地址，保存为列表
save_imgs(folder, img_addrs) #保存图片到本地文件夹
page_num -= 1 #逐步找到前几个页面
if __name__ == '__main__':
download_figures()
但是由于现在大多数网站都对图片进行了加密，所以这种方法已经不能爬取到 .jpg，这是因为这个网站已经被加密了。
怎样判断一个网站被加密了，就是使用urllib.urlopen导出html文本和审查元素中相应字段对不上。
以后你会发现对不上是常态，一般是JS加密的 可以说大一点的网站这些信息都会对不上。
那怎么解决呢？
目前我只用的一种方法就是：使用selenium爬取js加密的网页
需要详细讲解的可以查看：python使用selenium爬取js加密的网页
所以代码就是下面这样子了：
#从加密的煎蛋网的随手拍栏目下载图片
from selenium import webdriver
import urllib.request
import os
def url_open(url): #返回普通不加密网页的源码(速度快)
req = urllib.request.Request(url)
req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36')
response = urllib.request.urlopen(url)
html = response.read()
return html
def url_open_jm(url): #返回加密网页的源码(速度慢）
chrome = webdriver.Chrome()
chrome.get(url)
html = chrome.page_source
return html #返回的就是字符串
'''
def get_page(url): #得到最新页面的页码数(可以使用不加密读码得到，为了加快速度)
html = url_open(url)
#然后就是查找 html 中的 'current-comment-page'
a = html.find( 'current-comment-page') + 23 #加上 23 位偏移就刚到到页码数的第一位数字
b = html.find(']', a) #找到 a 位置之后的第一个方括号所在位置的索引坐标
return html[a : b] #这就是最新的页码数啦
'''
def get_page(url): #得到最新页面的页码数
html = url_open(url)
html = html.decode('utf-8') #因为要以字符串的形式查找，所以要 decode
#然后就是查找 html 中的 'current-comment-page'
a = html.find( 'current-comment-page') + 23 #加上 23 位偏移就刚到到页码数的第一位数字
b = html.find(']', a) #找到 a 位置之后的第一个方括号所在位置的索引坐标
return html[a : b] #这就是最新的页码数啦
def find_imgs(url): #给一个页面的链接，返回所有图片地址组成的列表
html = url_open_jm(url) #这个必须使用加密打开的方式
img_addrs = [] #声明一个保存图片地址的列表
#查找图片地址
#加密的网页破解后得到的图像在这里：
#
#所以要先找jpg，然后找img src=
a = html.find('.jpg')
while a != -1:
b = html.rfind('img src=', a-100, a) #在 a-100 到 a区间找 'img src='，必须反向查找
#如果 b 找不到，b 就返回 -1
if b != -1:
img_addrs.append(html[b+9: a+4])
a = html.find('.jpg', a+4)
for each in img_addrs:
print(each)
return img_addrs
def save_imgs(folder, img_addrs):
for each in img_addrs:
filename = each.split('/')[-1]
with open(filename, 'wb') as f:
img = url_open(each)
f.write(img)
def download_figures(folder = 'figures', page = 2):
os.mkdir(folder) #创建文件夹
os.chdir(folder)
url = "http://jandan.net/ooxx/" #随手拍栏目的链接，也是最新页面的链接
page_num = int(get_page(url)) #得到最新页面的页码数
for i in range(page):
page_url = url + 'page-' + str(page_num) + '#comments' #得到要爬取的页面的链接
print(page_url)
img_addrs = find_imgs(page_url) #得到页面所有图片的地址，保存为列表
save_imgs(folder, img_addrs) #保存图片到本地文件夹
page_num -= 1 #逐步找到前几个页面
if __name__ == '__main__':
download_figures()