py3+urllib+bs4+反爬，20+行代码教你爬取豆瓣妹子图

0.准备

　　所用到的模块：

　　urllib.request，获取源码

　　beautifulsoup4（bs4），网页抓取数据

 

　　安装bs4，python3 -m pip install beautifulsoup4 

　　查看，python3 -m pip show beautifulsoup4

　　 

  

1.bs4基本功能

　　如何获取标签的数据？ 对象+标签名称

　　如何获取文件的内容？ prettify

 

2.字符串格式化

　　%s 占位符 {}.format

　　print('http://www.dbmeinv.com/?pager_offset=%s' %2)

　　print('http://www.dbmeinv.com/?pager_offset={}'.format(2))

　　

  

3.如何获取网页源码

　　urllib.request

　　urlopen

　　read

 

4.反爬

　　网站禁止爬虫，所以获取不到想要的内容，或者请求失败

　　那么，这是就需要获取用户代理池信息，加上头部信息，模拟浏览器进行访问

　　请求头中找：User-Agent

　　

 

5.获取图片 

　　src后面都是图片路径，get

　　  

　　图片的标签，find_all

 

　　

6.下载

　　urlretrieve(link， 路径)

　　如果获取到的图片src是相对路径，需要通过字符串拼接完整　　

7.多页

　　for in range()

  

8.源码

from bs4 import BeautifulSoup
import urllib.request
x = 1 

def crawl(url):
	headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}
	req = urllib.request.Request(url, headers=headers) # 创建对象
	page = urllib.request.urlopen(req,timeout=20) # 设置超时
	contents = page.read().decode('utf-8') # 获取源码
	# print(contents)
	
	soup = BeautifulSoup(contents, 'html.parser')
	my_girl = soup.find_all('img') 
	for girl in my_girl: # 遍历
		link = girl.get('src') # 获取到src的值，即图片链接，如果图片链接是相对路径，还需要‘协议 + 主机名 + 端口号 + link’拼接完整
		print(link) # 打印获取到的图片url
		global x 
		urllib.request.urlretrieve(link, 'image\%s.jpg'%x) 
		# x +=1
		print('正在下载第%s张图片'%x)
		x +=1

for page in range(1, 3): # 爬取第1-2页的图片
	# print(page)
	# url = 'http://www.dbmeinv.com/?pager_offset=%s'%page # 也可以写%d
	url = 'http://www.dbmeinv.com/?pager_offset={}'.format(page)
	crawl(url)
print('恭喜你，图片下载完成啦！')

　

9.程序运行中　

　　

10.结果