Python新手爬虫二:爬取搜狗图片(动态)

时间:2024-03-09 11:54:19

 经过上一期爬取豆瓣影评成功后,感觉爬虫还不错,于是想爬点图片来玩玩...

搜狗图片地址:https://pic.sogou.com/?from=category

 

先上最后成功的源码(在D盘下创建souGouImg文件夹,直接直接代码即可获取):

import requests
import urllib
import json
from fake_useragent import UserAgent

def getSougouImag(category,length,path):
    n = length
    cate = category
    imgs_url = []   #定义空列表,用于保存图片url
    m = 0   #用于显示图片数量
    url = \'https://pic.sogou.com/pics/channel/getAllRecomPicByTag.jsp?category=\'+cate+\'&tag=%E5%85%A8%E9%83%A8&start=0&len=\'+str(n)
    headers = {\'user-agent\':UserAgent().random}     #设置UA
    f = requests.get(url,headers=headers)      #发送Get请求
    print(f.status_code)
    js = json.loads(f.text)
    js = js[\'all_items\']
    for j in js:
        imgs_url.append(j[\'thumbUrl\'])
    for img_url in imgs_url:
        print(\'***** \'+str(m)+\'.jpg *****\'+\' Downloading...\')
        urllib.request.urlretrieve(img_url,path+str(m)+\'.jpg\')    #下载指定url到本地
        m += 1
    print(\'Download complete!\')

getSougouImag(\'壁纸\',500,r\'D:\souGouImg/\')

效果图:

 

下面开始介绍作为一个新手的爬虫步骤...

1、首先打开网页查看HTML源码

先按F12打开调试界面—>右击图片—>点击检查

会出现如下图红框中的信息,不难看出,此图片的url就是img标签中src属性的值。

 

如此简单?那直接获取src属性的值,再进行下载不就完全ok了?

话不多说,开干。

from bs4 import BeautifulSoup
import requests
from fake_useragent import UserAgent   #ua库

url \'https://pic.sogou.com/pics/recommend?category=%B1%DA%D6%BD&from=home#%E5%85%A8%E9%83%A8%269\'
headers = {\'user-agent\':UserAgent().random}     #设置UA
f = requests.get(url,headers=headers)      #发送Get请求
print(f.status_code)    #打印状态码
soup = BeautifulSoup(f.text,\'lxml\')     #用lxml解析器解析该网页的内容
print(soup.select(\'img\'))   #筛选出所有img的标签,并打印其属性和内容

代码执行结果如下:

发现打印出的html并不是与网页中的一致,所有考虑,这根本不是图片的源url,于是推测图片是动态的,继续查找... 也是百度到了某个大佬的文章,才挖掘出以下搜寻方法。

 

2、点击NetWork—>点击XHR—>然后往下滚轮,使它加载出新的图片—>点击新加载出来的图片—>再点击右侧的Preview

 发现Preview下的内容为json格式的

发现all_items,点击它发现有0.....众多数字,再点开发现有许多url,粘贴到浏览器中查看,发现这些都是图片的url(心中狂喜)

找到图片的真实URL,问题也就变得简单了。详情还是请看代码注释吧~