linux运维

python爬虫-26-批量爬取表情包，让你斗图再也不会陷入无图

2022-06-15  本文已影响0人  运维家

我们现在聊天的时候，总会动不动就开启斗图大会，你有没有陷入无图可发的窘境呢，现在我就带着你解决这个问题。

1、介绍

以上我们使用的技术，都是之前整理过的对不对，那么我们就根据之前的学习内容来进行爬取斗图表情包吧。

2、python爬取流程梳理

我们刚开始学习的时候，是不是每次都需要梳理下爬取的流程呢，那么这次咱们还是和之前一样，首先我们需要找到我们爬取的平台的网址是什么：

https://dou.yuanmazg.com/doutu?page=1

访问这个界面之后，我们可以看到如下显示的内容：

然后我们往下滑之后，可以看到这里一共有1500+的页面，那么我们现在爬取前50页的内容吧，大概流程我觉得应该如下哈：

  1. 获取每个页面的url;
  2. 将获取到的url放置Queue中；
  3. 从Queue中获取一个Url，使用requests获取内容，使用xpath获取取该Url中每一个图片的Url；
  4. 然后将每个图片中的Url放入到另一个Queue中；
  5. 然后再从第二个Queue中获取图片的url;
  6. 根据Queue来下载并保存即可；
  7. 以上步骤我们使用多线程+Queue的形式来进行。

3、python爬取图片

3.1 框架

老样子，首先我们简简单单写一个框架；

import threading


class Producter(threading.Thread):
    pass


class Consumer(threading.Thread):
    pass


def main():
    pass


if __name__ == '__main__':
    main()

然后我们一步一步进行；

3.2 初步获取页面有效信息

import requests
from lxml import etree

Url = 'https://dou.yuanmazg.com/doutu?page=1'
Header = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36'}
Page_get = requests.get(url=Url, headers=Header)
Page_content = Page_get.text
Page_message = etree.HTML(Page_content)
Page_div = Page_message.xpath('//div[@class="page-content"]')[0]
Page_div = etree.tostring(Page_div, pretty_print=True, method='html').decode('utf-8')
print(Page_div)

3.3  提取每一个图片的url和name 

import requests
from lxml import etree

Url = 'https://dou.yuanmazg.com/doutu?page=1'
Header = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36'}
Page_get = requests.get(url=Url, headers=Header)
Page_content = Page_get.text
Page_message = etree.HTML(Page_content)
Page_div = Page_message.xpath('//div[@class="page-content"]//a//img')
# Page_div = etree.tostring(Page_div, pretty_print=True, method='html').decode('utf-8')
# print(Page_div)
for i in Page_div:
    # print(etree.tostring(i, pretty_print=True, method='html').decode('utf-8'))
    Page_url = 'https://dou.yuanmazg.com' + i.xpath("@data-original")[0]
    Page_name = i.xpath("@alt")[0]
    print(Page_url)
    print(Page_name)

输出结果如下：

3.4 优化名字

我们可以看到我们获取的图片的名字中有特殊符号，但是我们的电脑上文件名字是不可以出现特殊符号的，那么我们是不是就需要把名字给他处理一下呢，优化走起，优化之后的代码如下：

import requests
from lxml import etree
import re

Url = 'https://dou.yuanmazg.com/doutu?page=1'
Header = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36'}
Page_get = requests.get(url=Url, headers=Header)
Page_content = Page_get.text
Page_message = etree.HTML(Page_content)
Page_div = Page_message.xpath('//div[@class="page-content"]//a//img')
# Page_div = etree.tostring(Page_div, pretty_print=True, method='html').decode('utf-8')
# print(Page_div)
for i in Page_div:
    # print(etree.tostring(i, pretty_print=True, method='html').decode('utf-8'))
    Page_url = 'https://dou.yuanmazg.com' + i.xpath("@data-original")[0]
    Page_name = i.xpath("@alt")[0]
    Page_name = re.sub(r'[，。？?,/\\·\*\ ]', '', Page_name)
    print(Page_url)
    print(Page_name)

随之我们又发现了另一个问题，那就是有些图片他是没有添加描述的，也就是无法获取该图片的名字，那么我们就随机给他一个名字吧；

import requests
from lxml import etree
import re
import random

Url = 'https://dou.yuanmazg.com/doutu?page=1'
Header = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36'}
Page_get = requests.get(url=Url, headers=Header)
Page_content = Page_get.text
Page_message = etree.HTML(Page_content)
Page_div = Page_message.xpath('//div[@class="page-content"]//a//img')
# Page_div = etree.tostring(Page_div, pretty_print=True, method='html').decode('utf-8')
# print(Page_div)
for i in Page_div:
    # print(etree.tostring(i, pretty_print=True, method='html').decode('utf-8'))
    Page_url = 'https://dou.yuanmazg.com' + i.xpath("@data-original")[0]
    Page_name = i.xpath("@alt")[0]
    Page_name = re.sub(r'[，。？?,/\\·\*\ ]', '', Page_name)
    if Page_name == "":
        Page_name = str(random.random())
    print(Page_url)
    print(Page_name)

到这里是不是名字这个事儿就完事儿了呢，当然不了，想一下，我们在电脑上创建文件的时候是不是还需要后缀名呢，那我们就应该也把后缀名获取一下子，再次优化之后，代码如下：

import requests
from lxml import etree
import re
import random
import os

Url = 'https://dou.yuanmazg.com/doutu?page=1'
Header = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36'}
Page_get = requests.get(url=Url, headers=Header)
Page_content = Page_get.text
Page_message = etree.HTML(Page_content)
Page_div = Page_message.xpath('//div[@class="page-content"]//a//img')
# Page_div = etree.tostring(Page_div, pretty_print=True, method='html').decode('utf-8')
# print(Page_div)
for i in Page_div:
    # print(etree.tostring(i, pretty_print=True, method='html').decode('utf-8'))
    Page_url = 'https://dou.yuanmazg.com' + i.xpath("@data-original")[0]
    Suffix = os.path.splitext(Page_url)[1]
    Page_name = i.xpath("@alt")[0]
    Page_name = re.sub(r'[，。？?,/\\·\*\ ]', '', Page_name)
    if Page_name == "":
        Page_name = str(random.random()) + Suffix
    else:
        Page_name = Page_name + Suffix
    print(Page_url)
    print(Page_name)

运行之后结果如下：

好的，这样子的话我们就成功的使用python获取了每一个页面中每一个图片的地址和名字

3.5 下载

当我们获取到了图片的下载地址，以及图片名字之后，我们就可以进行下载了，那么我们的代码就变成了下面的内容：

剩余内容请转至VX公众号 “运维家” ，回复 “187” 查看。

------ “运维家” ，回复 “187”  ------

------ “运维家” ，回复 “187”  ------

------ “运维家” ，回复 “187”  ------

运维工程师是干什么的，收单猫运维工程师，武威光伏运维工程师，西安运维交付工程师招聘，石家庄网络运维工程师招聘；

数据中心运维基础工程师，运维工程师刚进公司什么都不会，顺丰的it运维工程师，佛山IDC机房运维工程师招聘，武汉仕云运维工程师加班多吗；

运维工程师T1，设施运维工程师转型，erp运维工程师培训课题，江西环保运维工程师招聘，通富微电子桌面运维工程师；

成都科技园运维工程师招聘，运维工程师的英语怎么说，运维工程师ppt，粤电风 电运维工程师咋样，运维工程师的薪酬。

上一篇下一篇

猜你喜欢

热点阅读