2021-08-07 Python-爬虫练手:爬取上千张动漫卡通头像

这两天在学算法,昨天感觉力扣的头像不好看,刚好有两天没碰爬虫了,就百度了下头像网,顺便 练练手,再换个头像

目标:https://www.gx8899.com/katong/

思路实现

1. 分页 1-n页
2. 每一页有16张封面,每张封面点进去有这个封面的全部系列图片
3. 最小单位:一个封面的全部系列图片

一级页面

• 获取第一页源码并提取每个封面的页面链接

    resp=requests.get(url=url,headers=headers)
    resp.encoding='gb2312'
    exSoup=BeautifulSoup(resp.text,'html.parser')
    one_hrefs=exSoup.select('a[target="_blank"]')
    #获取封面链接
    img_href=re.findall(r',str(one_hrefs))

二级页面

• 获取图片名称和图片的url

	count=0
    for i in img_href:
        count+=1
        #封面的链接
        imgs_link='https://www.gx8899.com'+str(i)+'.html'
        imgs=requests.get(imgs_link,headers)
        imgs.encoding='gb2312'
        soup=BeautifulSoup(imgs.text,'html.parser')
        title=soup.select('title')
        #封面名称
        name=re.findall(r'',str(title))
        img=soup.select('img[alt=""]')
        #图片url
        imgresult=re.findall(r'src="(.*?)"',str(img))

try-except 保存

• 防止因某一页或者某一张图片名称或者url问题导致整个程序中止

        for j in range(len(imgresult)):
            saveimg=requests.get(imgresult[j],headers)
            try:
                with open(f'D:/爬取图片/8899头像网/{name[0]}{j}.jpg','wb') as f:
                    f.write(saveimg.content)
                #简单反爬
                time.sleep(0.5)
                print(f'{name[0]}{j}.jpg下载完毕!')
            except:
                print('下载失败!')

完整程序

代码

由于第一页在一边写一边运行测试的时候已经爬下来了,所以代码是从第二页开始的

'''
2021-8-6
爬取个性8899头像网
https://www.gx8899.com/katong/
'''
import random,time
import re
import requests
from bs4 import BeautifulSoup
import ualist

for n in range(2,16):
    print(f'正在下载 卡通头像 第{n}页-------------------------------------------------------------')
    url=f'https://www.gx8899.com/katong/index_{n}.html'
    headers = {
        "user-agent": random.choice(ualist.Ualist)
    }

    resp=requests.get(url=url,headers=headers)
    resp.encoding='gb2312'
    exSoup=BeautifulSoup(resp.text,'html.parser')
    one_hrefs=exSoup.select('a[target="_blank"]')
    img_href=re.findall(r',str(one_hrefs))
    count=0
    for i in img_href:
        count+=1
        imgs_link='https://www.gx8899.com'+str(i)+'.html'
        imgs=requests.get(imgs_link,headers)
        imgs.encoding='gb2312'
        soup=BeautifulSoup(imgs.text,'html.parser')
        title=soup.select('title')
        name=re.findall(r'',str(title))
        img=soup.select('img[alt=""]')
        imgresult=re.findall(r'src="(.*?)"',str(img))
        print("\033[0;31m%s\033[0m" % f'{count}---正在打印---{name[0]}--信息---{imgs_link}')
        for j in range(len(imgresult)):
            saveimg=requests.get(imgresult[j],headers)
            try:
                with open(f'D:/爬取图片/8899头像网/{name[0]}{j}.jpg','wb') as f:
                    f.write(saveimg.content)
                time.sleep(0.5)
                print(f'{name[0]}{j}.jpg下载完毕!')
            except:
                print('下载失败!')
        imgs.close()
    resp.close()

ualist

上面调用的这个ualist是我在网上找了上百个user-agent,然后用写了个剔除重复内容的代码,把剩下的保存到ualist.py

import ualist

    headers = {
        "user-agent": random.choice(ualist.Ualist)
    }

• 由于ualist太长了,就不放出来了,感兴趣的话可以看一下我前面的几篇爬虫的u-a
  2021-08-01 Python-爬虫练手:爬取上千张“萌妹子“网美图
  2021-07-31 Python爬虫练手项目–爬取上千张明星美图
  2021-07-28 Python爬虫之爬取某虫网美女图片实战
• 或者就用自己浏览器的u-a
  随便点一个网页按F12—>Network—>Headers:复制自己的user-agent

    headers = {
        "user-agent": "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 "
    }

记得关闭请求

        imgs.close()
    resp.close()

成品欣赏

for n in range(2,16):

算上第一页的一共爬了15页,到后面两三页有保存失败的一共爬下来了1700+