【python】这么**得小姐姐网~不敢赶紧采集一波~免得它没了

2022-10-21 本文已影响0人颜狗一只

前言

大家早好、午好、晚好吖~

今天我们来采集一下这个小姐姐网~

环境使用:

Python 3.8 解释器
Pycharm 编辑器
import re
import requests >>> pip install requests

如果安装python第三方模块:

win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车
在pycharm中点击Terminal(终端) 输入安装命令

如何配置pycharm里面的python解释器?

选择file(文件) >>> setting(设置) >>> Project(项目) >>> python interpreter(python解释器)
点击齿轮, 选择add
添加python安装路径

pycharm如何安装插件?

选择file(文件) >>> setting(设置) >>> Plugins(插件)
点击 Marketplace 输入想要安装的插件名字比如:翻译插件输入 translation / 汉化插件输入 Chinese
选择相应的插件点击 install(安装) 即可
安装成功之后是会弹出重启pycharm的选项点击确定, 重启即可生效

python实现案例: 批量数据采集/下载 <有方法通用>

一. 数据来源分析

明确需求, 我们采集网上什么数据内容, 在什么地方

分析我们想要高清原图在什么地方有
浏览器自带工具: 开发者工具 F12
- 鼠标右键点击插件选择 network 刷新网页
- 点击选择 Img 可以直接找到图片地址
继续分析, 图片链接是从哪里来的
- 通过搜索分析, 可以知道, 我们想要图片原图url 就在图片详情页网页源代码里面

二. 代码实现步骤:

发送请求, 模拟浏览器对于图片目录页面发送请求
获取数据, 获取服务器返回响应数据
开发者工具 response
解析数据, 提取我们想要数据内容
图片详情页url地址
发送请求, 模拟浏览器对于图片详情页url 发送请求
获取数据, 获取服务器返回响应数据
开发者工具 response
解析数据, 提取我们想要数据内容
图片原图高清url地址, 以及标题
保存数据, 把图片保存文本文件夹

代码

# 导入数据请求模块 --> 第三方模块, 需要 pip install requests   不会 0  会 1
import requests
# 导入正则模块  内置模块 不需要安装的
import re

"""
1. 发送请求, 模拟浏览器对于图片目录页面url 发送请求

python代码如何模拟浏览器?

使用headers 请求头

实现多页数据采集:

分析请求url地址变化规律 --> 分析图片目录页面url地址变化规律

每个网站数据结构是不一样, 数据来源也不一样, 但是分析数据来源思路和代码实现步骤过程差不多的

"""

for page in range(1, 5):
    # 字符串格式化方法: 把page传入到字符串当中
    print(f'=================正在采集第{page}页的数据内容=================')

确定请求链接

有网站名得链接发出来就不给过拉~宝子们自己按照下面得图添加一下哦

    # 模拟浏览器 --> headers 请求头
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'
    }
    # 发送请求
    response = requests.get(url=url, headers=headers)

<Response [200]> 表示请求成功

"""

获取数据, 获取服务器返回响应数据

开发者工具 response

response.text 获取响应文本数据
response.json() 获取响应json字典数据 <一定要完整json数据, 否则就会报错>

解析数据, 提取我们想要数据内容

图片详情页url地址

re.findall('匹配什么数据', '什么地方') 调用re模块里面findall 去找到匹配数据: 找到所有我们想要数据内容

从什么地方去匹配查询什么数据

从 response.text 去匹配 <li><a target="_blank" href="(.*?)" alt="(.*?)" title=".*?"> 其中 (.*?) 就是我们想要的数据

() 表示精确匹配: 我们要的内容
没有括号泛匹配不要的内容
.*? 通配符元字符 . 表示匹配任意字符<除了换行符\n以外> * 匹配前一个字符0或者无限个 ? 非贪婪匹配模式

"""

提取详情页url地址

    img_info = re.findall('<li><a target="_blank" href="(.*?)" alt="(.*?)" title=".*?">', response.text)
    # for循环遍历 把列表里面元素 一个一个提取出来
    for img, title in img_info:

img: 图片详情页url地址

title: 图片标题

"""

4. 发送请求, 模拟浏览器对于图片详情页url 发送请求

5. 获取数据, 获取服务器返回响应数据

开发者工具 response

6. 解析数据, 提取我们想要数据内容

图片原图高清url地址, 以及标题

[0] 列表索引取值提取第一个元素

"""

        # 发送请求 获取响应文本数据
        html_data = requests.get(url=img, headers=headers).text
        # 提取原图url地址
        img_url = re.findall('<img alt=".*?" title=".*?" src="(.*?)">', html_data)[0]

"""

7. 保存数据, 把图片保存文本文件夹

发送请求, 获取数据内容
response.content 获取响应二进制数据 <图片/视频/音频/特定格式文件..>

如果图片名字一样的话, 会覆盖掉

split() 字符串分割返回列表
[-1] 列表索引取值, 提取最后一个元素
title + img_url.split('/')[-1] 字符串拼接

"""

        # 获取二进制数据
        img_content = requests.get(url=img_url).content
        # 替换特殊字符
        img_title = title + img_url.split('/')[-1]
        img_title = re.sub(r'[\/:*?:<>|]', '_', img_title)
        with open('img漫画\\' + img_title, mode='wb') as f:
            f.write(img_content)
        print(img_url, img_title)