对Python爬虫编写者充满诱惑的网站,《可爱图片网》,瞧人这网站名字起的
这网站名字绝了，当擦哥看到的那一瞬间，我估计他就准备好爬虫代码了。
Python 爬虫 120 例，已完成文章清单
- 10 行代码集 2000 张美女图，Python 爬虫 120 例，再上征途
- 通过 Python 爬虫，发现 60%女装大佬游走在 cosplay 领域
- Python 千猫图，简单技术满足你的收集控
- 熊孩子说“你没看过奥特曼”，赶紧用 Python 学习一下，没想到
- 技术圈的【多肉小达人】，一篇文章你就能做到
- 我用 Python 连夜离线了 100G 图片，只为了防止网站被消失
可爱图片网双线程爬取
这篇博客要对 Python 爬虫进行提速了，实现双线程爬虫。而且在爬取过程中，还有意外收货。
爬取目标分析
爬取目标
- 可爱图片网 https://www.keaitupian.net/
- 图片分类非常丰富，想要抓取的都有，例如 可爱女生，性感美女，不过为了更好的学习技术，我决定只抓卡通动漫分类图片，其它的留给各位大佬读者了。
使用的 Python 模块
- 本次使用
requests，re，threading。 - 新增加线程并行模块
threading。
重点学习内容
- 爬虫基本套路；
- 不确定页码数据爬取；
- 固定线程数爬虫。
列表页与详情页分析
- 列表页抓取卡通动漫图片，故列表页为
https://www.keaitupian.net/dongman/，点击多个页码，可得到如下规则： - https://www.keaitupian.net/dongman/list-1.html
- https://www.keaitupian.net/dongman/list-2.html
- https://www.keaitupian.net/dongman/list-{不定页码}.html
由于列表总页数无法直接获取到，顾使用大数测试，当输入 https://www.keaitupian.net/dongman/list-110.html 时，页面展示为不存在，如下图所示。
实际测试之后，得到该分类下列表页存在
77页。
点击任意图片详情页，查看图片页具体内容，发现详情页也存在翻页，而且该翻页可以在列表页之间跳转，例如下图翻页到 9/9 之后，可进入到下一套图中。因此可以直接针对详情页进行数据抓取。
获取列表第 77 页最后一组照片，查看最后一组照片翻页数据代码，发现最后向右侧翻页代码为空，即无法翻页。
最后一页数据查看：https://www.keaitupian.net/article/280-8.html#。
目标网站分析完毕，梳理整体逻辑，出需求。
整理需求逻辑
- 随机选择一详情页地址，作为爬虫起始页面；
- 一线程保存图片；
- 一线程保存下一页地址。
编码时间
抓取目标请求地址
基于上述需求，首先实现循环获取 URL 的线程，该线程主要用于反复爬取 URL 地址，保存至一全局列表中。
需要使用到 threading.Thread 创建线程与启动线程，同时为保证线程之间的数据传递，需要用到线程互斥锁。
锁的声明：
mutex = threading.Lock()
锁的使用：
global urls
# 上锁
mutex.acquire()
urls.append(next_url)
mutex.release()
编写 URL 获取地址代码如下：
import requests
import re
import threading
import time
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36"}
# 全局 urls
urls = []
mutex = threading.Lock()
# 循环获取URL
def get_image(start_url):
global urls
urls.append(start_url)
next_url = start_url
while next_url != "#":
res = requests.get(url=next_url, headers=headers)
if res is not None:
html = res.text
pattern = re.compile('')
match = pattern.search(html)
if match:
next_url = match.group(1)
if next_url.find('www.keaitupian') < 0:
next_url = f"https://www.keaitupian.net{next_url}"
print(next_url)
# 上锁
mutex.acquire()
urls.append(next_url)
# 释放锁
mutex.release()
if __name__ == '__main__':
# 获取图片线程
gets = threading.Thread(target=get_image, args=(
"https://www.keaitupian.net/article/202389.html",))
gets.start()
运行代码，得到待抓取的目标地址，控制台输出如下内容：
提取目标地址图片
下面即为最后一个步骤，通过上述代码抓取到的链接地址，提取图片地址，并保存图片。
保存图片也为一个线程，该线程对应的 save_image 函数如下：
# 保存图片线程
def save_image():
global urls
print(urls)
while True:
# 上锁
mutex.acquire()
if len(urls) > 0:
# 获取列表第一项
img_url = urls[0]
# 删除列表第一项
del urls[0]
# 释放锁
mutex.release()
res = requests.get(url=img_url, headers=headers)
if res is not None:
html = res.text
pattern = re.compile(
')
')
img_match = pattern.search(html)
if img_match:
img_data_url = img_match.group(1)
print("抓取图片中：", img_data_url)
try:
res = requests.get(img_data_url)
with open(f"images/{time.time()}.png", "wb+") as f:
f.write(res.content)
except Exception as e:
print(e)
else:
print("等待中，长时间等待，可以直接关闭")
同步在主函数中增加基于该函数的线程，并启动：
if __name__ == '__main__':
# 获取图片线程
gets = threading.Thread(target=get_image, args=(
"https://www.keaitupian.net/article/202389.html",))
gets.start()
save = threading.Thread(target=save_image)
save.start()
完整代码下载地址：https://codechina.csdn.net/hihell/python120，NO7。
代码编写过程中，顺手爬取了一堆图片，可以提前预览一波，看看图，在决定是否运行这段代码。
https://download.csdn.net/download/hihell/19759050
抽奖时间
上一篇文章 《我用Python连夜离线了100G图片，只为了防止网站被消失》 评论数没有达到 100，但是出现了一个热评大佬 幻想家37927，这不得不送一份一折券了，抓紧联系橡皮擦哦~。
只要评论数过 100
随机抽取一名幸运读者
奖励 29.9 元《Python 游戏世界》 1 折购买券一份，只需 2.99 元
今天是持续写作的第 167 / 200 天。可以点赞、评论、收藏啦。