python从入门到放弃篇36（selenium库,request库,time库）开启万花筒联合爬取豆瓣小说图片

这几天，一直在研究爬取图片的方法，今天终于有了成效，赶紧发文纪念一波。

这次，我选择的是三个库联合爬取，我觉得这样可能效果会更好一点。安装selenium库和requests库的方法，我之前的博文有说，需要的同志可以参见我前面写的博文，自行安装和下载，当然，安装过程中遇到困难，也可以与我私聊探讨，我很乐意帮助你。

这次，我们的案例网址是：https://book.douban.com/tag/%E5%B0%8F%E8%AF%B4。

完整代码：

from lxml import etree
from selenium import webdriver
import time
import urllib.request
import requests

options = webdriver.ChromeOptions()
options.add_argument('--headless')
options.add_argument('--disable-gpu')
driver = webdriver.Chrome(options=options)

url = 'https://book.douban.com/tag/%E5%B0%8F%E8%AF%B4'
driver.get(url)

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'
}
html = driver.page_source
select = etree.HTML(html)
for i in range(1,21):
    xpath_road = '//*[@id="subject_list"]/ul/li['+str(i)+']/div[1]/a/img/@src'
    img_href = select.xpath(xpath_road)
    #print(img_href)
    for e in img_href:
        print(e)
        img = requests.get(e,headers=headers)
        with open('img{}.jpg'.format(i),'wb+') as f:
            f.write(img.content)
            time.sleep(1.5)

我们捋一下思路，想要爬取图片，我们就得先获得它的链接地址，然后，对图片的链接地址进行请求，再以二进制的形式写入图片文件，最后，保存到本地计算机上，这就是整个的流程。此次，我们要爬取的内容如下图，左侧红框中的图书图片：

首先，我们导入可能需要用到的库，如下图：

接着，我们开启万花筒模式（无头模式），代码如下图：

然后，请求网页：

之后，设置请求报头：

接着，我们用driver函数page_source()获取当前页面的源代码，再将获取的源代码传递给etree的函数HTML，创建xpath选择器select。

然后，我们去观察一下网页结构，分析一下：

图片在标签img里面，所以，我们接着就要提取对应的xpath路径。所以有：

我们如果翻到这一页的最后一张图图片，我们会根据xpath路径得出一个规律：

随着图片往下走，变动的仅仅只是li标签的序号，其他的内容没有变动。所以，我们使用for循环，构造li标签的序号，又因为我们提取的图片链接在属性src中，所以，我们要匹配属性src,所以有：

这里的图片链接是用xpath方法提取的，所以是以列表形式返回提取结果。因此，我们要循环，把链接打印出来，所以有：

运行结果：

当然了，我们还差最后一步，就是把图片保存到本地计算机中，请求图片的链接地址，然后，以二进制的形式写入图片文件中，我们的图片不能重名，用格式化字符串的方法，将对应图片的循环次数作为图片名，避免重名，所以有：

运行结果，我们去对应的编辑器文件夹（目录）下面找到爬取下来的图书图片：

在pycharm编辑器中也可以看见，如下图：

直接打开图片，效果如下：

在pycharm编辑器中打开，效果如下：

后面还有很多图片，我就不全部截图了，请大家见谅。

最后，感谢大家前来观看鄙人的文章，文中或有诸多不妥之处，还望指出和海涵。搞了半个上午加一个下午的时间，终于懂了爬取图片的方法，过瘾，有点困了，先睡一波觉，再起来接着搞。