爬虫 | 【转载】Python爬虫之入门保姆级教程

【版权声明】：本文为CSDN博主「全栈小袁」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
【原文链接】：https://blog.csdn.net/weixin_47971206/article/details/117267037

---

今天这个教程采用最简单的爬虫方法，适合小白新手入门，代码不复杂

爬虫的介绍以及原理等等七七八八的东西我就不多bb了，咋们直接上教程

本案例我就以 彼岸图网 这个网站做教程，原网址下方链接

https://pic.netbian.com/

首先打开咋们的网站

可以看到有很多好看的图片，一页总共21张图片

我们右键选择检查或者直接按F12来到控制台

点击左上角的箭头或者快捷键ctrl+shift+c，然后随便点在一张图片上面



这时候我们就能看到这张图片的详细信息，src后面的链接就是图片的链接，将鼠标放到链接上就能看到图片，这就是我们这次要爬的

一、导入相关库（requests库）

import requests

requests翻译过来就是请求的意思，用来向某一网站发送请求

二、相关的参数（url，headers）

我们回到刚刚的控制台，点击上方的Network，按下ctrl+r刷新，随便点开一张图片


这里我们只需要到两个简单的参数，本次案例只是做一个简单的爬虫教程，其他参数暂时不考虑

参数	作用
Request URL	发送请求的网站地址，也就是图片所在的网址
user-agent	用来模拟浏览器对网站进行访问，避免被网站监测出非法访问

参数代码的准备

url = "https://pic.netbian.com/uploads/allimg/210317/001935-16159115757f04.jpg"
headers = {
    "user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Safari/537.36"
}

三、向网站发出请求

response = requests.get(url=url,headers=headers)
print(response.text) # 打印请求成功的网页源码，和在网页右键查看源代码的内容一样的

这时候我们会发现乱码？！！！！这其实也是很多初学者头疼的事情，乱码解决不难

# 通过发送请求成功response，通过(apparent_encoding)获取该网页的编码格式，并对response解码
response.encoding = response.apparent_encoding
print(response.text)

看着这些密密麻麻的一大片是不是感觉脑子要炸了，其实我们只需要找到我们所需要的就可以了

四、匹配（re库，正则表达式）

什么是正则表达式？简单点说就是由用户制定一个规则，然后代码根据我们指定的所规则去指定内容里匹配出正确的内容

我们在前面的时候有看到图片信息是什么样子的，根据信息我们可以快速找到我们要的


接下来就是通过正则表达式把一个个图片的链接和名字给匹配出来，存放到一个列表中

import re
"""
. 表示除空格外任意字符（除\n外）
* 表示匹配字符零次或多次
? 表示匹配字符零次或一次
.*? 非贪婪匹配
"""
# src后面存放的是链接，alt后面是图片的名字
# 直接(.*?)也是可以可以直接获取到链接，但是会匹配到其他不是我们想要的图片
# 我们可以在前面图片信息看到链接都是/u····开头的，所以我们就设定限定条件(/u.*?)这样就能匹配到我们想要的
parr = re.compile('src="(/u.*?)".alt="(.*?)"')
image = re.findall(parr,response.text)
for content in image:
    print(content)

这样我们的链接和名字就存放到了image列表中了，通过打印我们可以看到以下内容

image[0]：列表第一个元素，也就是链接和图片
image[0][0]：列表第一个元素中的第一个值，也就是链接
image[0][1]：列表第一个元素中的第二个值，也就是名字

五、获取图片，保存到文件夹中（os库）

首先通过os库创建一个文件夹（当前你也可以手动在脚本目录创建一个文件夹）

import os
path = "彼岸图网图片获取"
if not os.path.isdir(path):
    ok.mkdir(path)

然后对列表进行遍历，获取图片

# 对列表进行遍历
for i in image:
    link = i[0] # 获取链接
    name = i[1] # 获取名字
    """
    在文件夹下创建一个空jpg文件，打开方式以 'wb' 二进制读写方式
    @param res：图片请求的结果
    """
    with open(path+"/{}.jpg".format(name),"wb") as img:
        res = requests.get(link)
        img.write(res.content) # 将图片请求的结果内容写到jpg文件中
        img.close() # 关闭操作
    print(name+".jpg 获取成功······")

运行我们就会发现报错了，这是因为我们的图片链接不完整所导致的

我们回到图片首页网站，点开一张图片，我们可以在地址栏看到我们的图片链接缺少前面部分，我们复制下来 https://pic.netbian.com

在获取图片的发送请求地址前加上刚刚复制的https://pic.netbian.com
运行，OK，获取完毕

完整代码

import requests
import re
import os

url = "https://pic.netbian.com/"
headers = {
    "user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Safari/537.36"
}

response = requests.get(url=url,headers=headers)
response.encoding = response.apparent_encoding

"""
. 表示除空格外任意字符（除\n外）
* 表示匹配字符零次或多次
? 表示匹配字符零次或一次
.*? 非贪婪匹配
"""
parr = re.compile('src="(/u.*?)".alt="(.*?)"') # 匹配图片链接和图片名字
image = re.findall(parr,response.text)

path = "彼岸图网图片获取"
if not os.path.isdir(path): # 判断是否存在该文件夹，若不存在则创建
    os.mkdir(path) # 创建
    
# 对列表进行遍历
for i in image:
    link = i[0] # 获取链接
    name = i[1] # 获取名字
    """
    在文件夹下创建一个空jpg文件，打开方式以 'wb' 二进制读写方式
    @param res：图片请求的结果
    """
    with open(path+"/{}.jpg".format(name),"wb") as img:
        res = requests.get("https://pic.netbian.com"+link)
        img.write(res.content) # 将图片请求的结果内容写到jpg文件中
        img.close() # 关闭操作
    print(name+".jpg 获取成功······")