刚刚申请博客,内心激动万分。于是为了扩充一下分类,随便一个随笔,也为了怕忘记新学的东西由于博主十分怠惰,所以本文并不包含安装python(以及各种模块)和python语法。
目标
前几天上B站时看到一部很好玩的番剧,名字《笨女孩》,实际上是由同名的搞笑向漫画动画化的。大家都知道动画一般一周一更,很难满足我们的需求,所以我们就来编写一个爬虫,来爬取漫画咯。
那么本文的目标就是爬取《初音MIX》这部漫画(因为笨女孩我已经爬取过了>_<)。这部漫画我记得是小学的时候看的,也是我第一次接触日漫。
网上有很多的漫画网站,我们就选漫画之家好了!
需要的模块
request 用于下载网页
re python自带的正则模块
BeautifulSoup 用于解析html,让我们查找元素更方便(不过这次没用上)
开始!
Step1:确定需要爬取的网页地址
熟练运用网站的搜索工具,进入检索页面http://manhua.dmzj.com/tags/search.shtml?s=初音Mix
我们找到了目标地址http://manhua.dmzj.com/chuyinmix
接下来打开CH001,看到我们要爬取的图片
对图片网页进行分析(F12打开自带工具),以便我们查出图片的链接
很快查到图片链接及链接在代码中的位置
但是当我们查看源代码时,并没有找到此标签
因为爬虫爬取的页面是静态的html文件,没有经过其他脚本的“加工”。所以动态的脚本之类是无法作用的(PhantomJS,Selenium之类除外)。但是作为爬虫入门文章,我们还是考虑“绕过”这种烦人的东西,“绕过”方法作为一个小技巧
技巧一:若爬取网页较困难时,尝试爬取手机网页
很轻松的找到手机的检索地址http://m.dmzj.com/search/初音mix.html
它的界面是这样的
(手机上的网站在电脑上看真low。。。)
很轻松的找到详细页面http://m.dmzj.com/info/chuyinmix.html
这时再打开CH001,查看网页源代码,找到这么一段
mReader.initData({"id":12777,"comic_id":6132,"chapter_name":"CH001","chapter_order":10,"createtime":1284436621,
"folder":"c\/\u521d\u97f3MIKU\/CH001","page_url":["https:\/\/images.dmzj.com\/c\/\u521d\u97f3MIKU\/CH001\/001.jpg",
"https:\/\/images.dmzj.com\/c\/\u521d\u97f3MIKU\/CH001\/002.png", ...
这么明显的地址,真的是毫无防备。。。
那么我们找到了图片位置,可以开始爬取了
Step2:从检索页面到详细页面再到图片页面,进行爬取
通过简单的操作得到python代码
#!usr/bin/env python
#coding=utf-8
import requests, re
from bs4 import BeautifulSoup 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",
"Referer":"http://m.dmzj.com/"}
url="http://m.dmzj.com/info/chuyinmix.html"
html=requests.get(url, headers=headers)
soup=BeautifulSoup(html.content, "lxml")
print(soup.prettify())
这里简单的介绍一下最常见的,最基础的,同时也最容易被绕过的反爬虫操作
在Http协议中,客户端通过发送Http请求头来请求网页。
在python等程序或脚本发送的请求头中user-agent并非像浏览器的一样,他们就像是“python-requests/2.14.2”。
而一般浏览器的user-agent就像“Mozilla/5.0 (Windows NT 10.0; WOW64; rv:55.0) Gecko/20100101 Firefox/55.0”。
这样服务器就可以通过user-agent来区别爬虫和浏览器。
但是我们也可以通过修改请求头来绕过,然而服务器也不傻,他们又顺便检查了请求头Referer这一项。
Referer指的是浏览器通过哪一页面打开当前页面。
就像通过百度搜索“初音我老婆”,任意点开一个页面时Referer就记录着百度搜索结果的页面地址。
当然我们也可以修改Referer呵呵。
运行后可以看到此页面的源代码。
这时通过正则表达式来查找所需内容。
#!usr/bin/env python
#coding=utf-8
import requests, re 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",
"Referer":"http://m.dmzj.com/"}
urlRoot="http://m.dmzj.com/info/chuyinmix.html"
urlPre="http://m.dmzj.com/view/6132/"
html=requests.get(urlRoot, headers=headers)
nameList=re.findall('(?<=chapter_name":")[^"]+', html.text);
idList=re.findall('(?<="id":)[^,]+', html.text);
for i in range(15):
url=urlPre+idList[i]+".html"
html=requests.get(url, headers=headers)
print(html.text)
运行结果显示没问题,于是开始尝试爬取一张图片
#!usr/bin/env python
#coding=utf-8
import requests, re, os 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",
"Referer":"http://m.dmzj.com/"}
urlRoot="http://m.dmzj.com/info/chuyinmix.html"
urlPre="http://m.dmzj.com/view/6132/"
html=requests.get(urlRoot, headers=headers)
nameList=re.findall('(?<=chapter_name":")[^"]+', html.text);
idList=re.findall('(?<="id":)[^,]+', html.text);
for i in range(15):
url=urlPre+idList[i]+".html"
html=requests.get(url, headers=headers)
print(html.text)
urlList=re.findall('https:\\\\/\\\\/[^"]+', html.text)
for idx, string in enumerate(urlList):
img=requests.get(string.replace(r"\/", "/").encode().decode("unicode-escape"), headers=headers)
ext=string.split(".")[-1]
if not os.path.exists(nameList[i]):
os.mkdir(nameList[i])
file=open(nameList[i]+"\%03d.%s"%(idx, ext), "ab")
file.write(img.content)
file.close()
break
break
技巧二:利用str.encode().decode("unicode-escape")转换url中的Unicode编码看来成功了呵呵 >_<
于是放开手脚,全部爬取
#!usr/bin/env python
#coding=utf-8
import requests, re, os 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",
"Referer":"http://m.dmzj.com/"}
urlRoot="http://m.dmzj.com/info/chuyinmix.html"
urlPre="http://m.dmzj.com/view/6132/"
html=requests.get(urlRoot, headers=headers)
nameList=re.findall('(?<=chapter_name":")[^"]+', html.text);
idList=re.findall('(?<="id":)[^,]+', html.text);
for i in range(15):
url=urlPre+idList[i]+".html"
html=requests.get(url, headers=headers)
urlList=re.findall('https:\\\\/\\\\/[^"]+', html.text)
for idx, string in enumerate(urlList):
img=requests.get(string.replace(r"\/", "/").encode().decode("unicode-escape"), headers=headers)
ext=string.split(".")[-1]
if not os.path.exists(nameList[i]):
os.mkdir(nameList[i])
file=open(nameList[i]+"\%03d.%s"%(idx, ext), "ab")
file.write(img.content)
file.close()
一分钟后,爬取成功>_<
总结本次爬取简单使用了python的requests, re, os库,简单介绍了HTTP请求头和最常见的反爬虫机制,纯属娱乐凑文章哈哈