用Python爬取了妹子网100G的套图，值得收藏

 

前言
最近在做监控相关的配套设施，发现很多脚本都是基于Python的。很早之前就听说其大名，人生苦短，我学Python，这并非一句戏言。随着人工智能、机器学习、深度学习的崛起，目前市面上大部分的人工智能的代码 大多使用Python 来编写。所以人工智能时代，是时候学点Python了。

进军指南
对于没有任何语言开发经验的同学，建议从头系统的学起，无论是书、视频还是文字教程都可以。
另外注意：不管你是为了Python就业还是兴趣爱好，记住：项目开发经验永远是核心，如果你缺新项目练习或者没有python精讲教程，可以去小编的Python交流.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，里面很多新教程项目，还可以跟老司机交流讨教！

如果是有其他语言开发经验的同学，建议从一个案例入手，比如爬取某个网站的套图。
因为语言都是想通的，语法之类的只要你要语感，代码基本能读个八九不离十。
所以不建议有经验的开发者从头学起，无论是视频还是书，对于开始学一门语言来说都是太浪费时间了。
当然，等你深入进去以后，还是要系统的去学习，这是后话。
软件工具
Python3
这里选择的是最新版 Python 3.7.1
安装教程推荐：
http://www.runoob.com/python3/python3-install.html
Win下载地址：
https://www.python.org/downloads/windows
Linux下载地址：
https://www.python.org/downloads/source
PyCharm
可视化开发工具：
http://www.jetbrains.com/pycharm
案例
实现步骤
以妹子图为例，其实很简单，分以下四步：

• 获取首页的页码数，并创建与页码对应的文件夹
• 获取页面的栏目地址
• 进入栏目，获取栏目页码数(每个栏目下有多张图片，分页显示)
• 获取到栏目下对用标签中的图片并下载

注意事项
爬取过程中，还需要注意以下几点，可能对你有所帮助：
1）导库，其实就类似于Java中框架或者是工具类，底层都被封装好了
安装第三方库

1. # Win下直接装的 python3
2. pip install bs4、pip install requests
3. # Linux python2 python3 共存
4. pip3 install bs4、pip3 install requests

导入第三方库

1. # 导入requests库
2. import requests
3. # 导入文件操作库
4. import os
5. # bs4全名BeautifulSoup，是编写python爬虫常用库之一，主要用来解析html标签。
6. import bs4
7. from bs4 importBeautifulSoup
8. # 基础类库
9. import sys
10. # Python 3.x 解决中文编码问题
11. import importlib
12. importlib.reload(sys)

2）定义方法函数，一个爬虫可能会几百行，所以尽量不要写成一坨

1. def download(page_no, file_path):
2. # 这里写代码逻辑

3）定义全局变量

1. # 给请求指定一个请求头来模拟chrome浏览器
2. global headers # 告诉编译器这是全局变量 headers
3. headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36'}
4. # 函数内使用之前需要
5. # 告诉编译器我在这个方法中使用的a是刚才定义的全局变量 headers ，而不是方法内部的局部变量。
6. global headers

4）防盗链
有些网站加入了防盗链，无所不能的 python 解决方案

1. headers = {'Referer': href}
2. img = requests.get(url, headers=headers)

5）切换版本
Linux服务器使用的是阿里云服务器，默认版本 python2，python3 自行安装

1. [root@AY140216131049Z mzitu]# python2 -V
2. Python2.7.5
3. [root@AY140216131049Z mzitu]# python3 -V
4. Python3.7.1
5. # 默认版本
6. [root@AY140216131049Z mzitu]# python -V
7. Python2.7.5
8. # 临时切换版本 <whereis python>
9. [root@AY140216131049Z mzitu]# alias python='/usr/local/bin/python3.7'
10. [root@AY140216131049Z mzitu]# python -V
11. Python3.7.1

6）异常捕获
在爬取的过程中可能存在异常页面，这里我们进行捕获，不影响后续操作

1. try:
2. # 业务逻辑
3. exceptExceptionas e:
4. print(e)

代码实现
编辑脚本：vi mzitu.py

1. #coding=utf-8
2. #!/usr/bin/python
3. # 导入requests库
4. import requests
5. # 导入文件操作库
6. import os
7. import bs4
8. from bs4 importBeautifulSoup
9. import sys
10. import importlib
11. importlib.reload(sys)
12. # 给请求指定一个请求头来模拟chrome浏览器
13. global headers
14. headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36'}
15. # 爬图地址
16. mziTu = 'http://www.mzitu.com/'
17. # 定义存储位置
18. global save_path
19. save_path = '/mnt/data/mzitu'
20. # 创建文件夹
21. def createFile(file_path):
22. if os.path.exists(file_path) isFalse:
23. os.makedirs(file_path)
24. # 切换路径至上面创建的文件夹
25. os.chdir(file_path)
26. # 下载文件
27. def download(page_no, file_path):
28. global headers
29. res_sub = requests.get(page_no, headers=headers)
30. # 解析html
31. soup_sub = BeautifulSoup(res_sub.text, 'html.parser')
32. # 获取页面的栏目地址
33. all_a = soup_sub.find('div',class_='postlist').find_all('a',target='_blank')
34. count = 0
35. for a in all_a:
36. count = count + 1
37. if (count % 2) == 0:
38. print("内页第几页：" + str(count))
39. # 提取href
40. href = a.attrs['href']
41. print("套图地址：" + href)
42. res_sub_1 = requests.get(href, headers=headers)
43. soup_sub_1 = BeautifulSoup(res_sub_1.text, 'html.parser')
44. # ------ 这里最好使用异常处理 ------
45. try:
46. # 获取套图的最大数量
47. pic_max = soup_sub_1.find('div',class_='pagenavi').find_all('span')[6].text
48. print("套图数量：" + pic_max)
49. for j in range(1, int(pic_max) + 1):
50. # print("子内页第几页：" + str(j))
51. # j int类型需要转字符串
52. href_sub = href + "/" + str(j)
53. print(href_sub)
54. res_sub_2 = requests.get(href_sub, headers=headers)
55. soup_sub_2 = BeautifulSoup(res_sub_2.text, "html.parser")
56. img = soup_sub_2.find('div', class_='main-image').find('img')
57. if isinstance(img, bs4.element.Tag):
58. # 提取src
59. url = img.attrs['src']
60. array = url.split('/')
61. file_name = array[len(array)-1]
62. # print(file_name)
63. # 防盗链加入Referer
64. headers = {'Referer': href}
65. img = requests.get(url, headers=headers)
66. # print('开始保存图片')
67. f = open(file_name, 'ab')
68. f.write(img.content)
69. # print(file_name, '图片保存成功！')
70. f.close()
71. exceptExceptionas e:
72. print(e)
73. # 主方法
74. def main():
75. res = requests.get(mziTu, headers=headers)
76. # 使用自带的html.parser解析
77. soup = BeautifulSoup(res.text, 'html.parser')
78. # 创建文件夹
79. createFile(save_path)
80. # 获取首页总页数
81. img_max = soup.find('div', class_='nav-links').find_all('a')[3].text
82. # print("总页数:"+img_max)
83. for i in range(1, int(img_max) + 1):
84. # 获取每页的URL地址
85. if i == 1:
86. page = mziTu
87. else:
88. page = mziTu + 'page/' + str(i)
89. file = save_path + '/' + str(i)
90. createFile(file)
91. # 下载每页的图片
92. print("套图页码：" + page)
93. download(page, file)
94. if __name__ == '__main__':
    main()

脚本在Linux服务器下运行，执行以下命令

1. python 3 mzitu.py
2. # 或者后台执行
3. nohup python3 -u mzitu.py > mzitu.log 2>&1 &

目前只爬取了一个栏目的套图，一共17G，5332张图片。

1. [root@itstyle mzitu]# du -sh
2. 17G .
3. [root@itstyle mzitu]# ll -s
4. total 5332

下面，请小伙伴们睁大眼睛，鸡冻人心的套图时刻来了。

 

小结
作为一个初学者，脚本肯定多多少少有一些问题或者待优化的地方，另外注意不管你是为了Python就业还是兴趣爱好，记住：项目开发经验永远是核心，如果你缺新项目练习或者没有python精讲教程，可以去小编的Python交流.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，里面很多新教程项目，还可以跟老司机交流讨教！
本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。