一篇文章教会你利用Python网络爬虫成为斗图达人

时间:2022-11-30 20:17:13

##【一、项目背景】

你是否在寻找可以与高手斗图的应用? 你是否在寻找可以自制表情的应用?你是否在寻找最全、最爆笑的表情库?

斗图网是一个收集了成千上万的撕逼斗图表情包,在这里你可以快速找到想要的表情, 更好的“斗图”,助您成为真正的斗图终结者!

一篇文章教会你利用Python网络爬虫成为斗图达人

##【二、项目目标】

下载表情包,保存文档。

##【三、涉及的库和网站】

1、网址如下:

1
https://www.doutula.com/photo/list/?page={}

2、涉及的库:requests**、lxml、ssl****、time**

3、软件:PyCharm

##【四、项目分析】

1、如何找到表情包图片地址?

F12右键检查,找到对应的图片的地址。

一篇文章教会你利用Python网络爬虫成为斗图达人

观察网址的变化(一般取前三页):

1
2
3
https://www.doutula.com/photo/list/?page=1
https://www.doutula.com/photo/list/?page=2
https://www.doutula.com/photo/list/?page=3

发现点击下一页时,page{}每增加一页自增加1,用{}代替变换的变量,再用for循环遍历这网址,实现多个网址请求。

2. 如何解除ssl验证?

因为这个网址是https,需要导入一个ssl模块,忽略ssl验证。

一篇文章教会你利用Python网络爬虫成为斗图达人

**3. **如何获取Cookie?

右键检查,找到NetWork,随便复制一个Cookie即可。

一篇文章教会你利用Python网络爬虫成为斗图达人

##【五、项目实施】

1、我们定义一个class类继承object,然后定义init方法继承self,再定义一个主函数main继承self。导入需要的库。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
import requests
from lxml import etree
from fake_useragent import UserAgent
import ssl  # ssl验证
import time
 
ssl._create_default_https_context = ssl._create_unverified_context
 
class  Emoticon(object):
    def __init__(self):
        pass
    def main(self):
        pass
 
if __name__ == '__main__':
    spider = Emoticon()
    spider.main()

2、导入网址和构造请求头,防止反爬。

1
2
3
def __init__(self):
       self.headers = {'User-Agent': 'Mozilla/5.0'}
       self.url = 'https://www.doutula.com/photo/list/?page={}'

3、发送请求 ,获取响应,页面回调,方便下次请求。

1
2
3
4
def get_page(self, url):
       res = requests.get(url=url, headers=self.headers)
       html = res.content.decode("utf-8")
       return html

4、xpath解析页面。

这里我们先获取父节点,在通过for循环遍历,找到对应的子节点(图片地址)。

一篇文章教会你利用Python网络爬虫成为斗图达人

一篇文章教会你利用Python网络爬虫成为斗图达人

1
2
3
4
image = parse_html.xpath('//ul[@class="list-group"]/li/div/div//a')
for i in image:
    image_src_list = i.xpath('.//img/@data-original')[0]
    image_name = i.xpath('.//img//@alt')[0]

运行的结果:

一篇文章教会你利用Python网络爬虫成为斗图达人

5、对图片地址发生请求,取对应图片地址后10位,作为图片的命名,写入文件(每一张图片的后缀名不一样,所有这里不采用image_name作为图片的命名)。

1
2
3
4
5
6
7
html2 = requests.get(url=image_src_list, headers=self.headers).content
 name = "/图/" + image_src_list[-20:]
 #print(name[-10:])
 with open(name[-10:], 'wb') as f:
     f.write(html2)
     print("%s 【下载成功!!!!】" % image_name)
     print("==================================")

6、调用方法,实现功能。

1
2
3
html = self.get_page(url)
self.parse_page(html)
        print("======================第%s页爬取成功!!!!=======================" % page)

7、time模块打出执行时间。

1
2
3
start = time.time()
 end = time.time()
 print('执行时间:%.2f' % (end - start))

【六、效果展示】

1、点击绿色小三角运行输入起始页,终止页。

一篇文章教会你利用Python网络爬虫成为斗图达人

2、将下载成功信息显示在控制台。

一篇文章教会你利用Python网络爬虫成为斗图达人

3、保存文档,在本地可以看到斗图。

一篇文章教会你利用Python网络爬虫成为斗图达人

##【七、总结】

1、不建议抓取太多数据,容易对服务器造成负载,浅尝辄止即可。

2、本文基于Python网络爬虫,利用爬虫库,获取表情包,存入文档。

3、希望通过这个项目能够了解到,对于HTTPS网站,解除ssl验证的有大致的了解。

4、可以尝试的去爬取其他的分类的表情包,按照步骤去实现,实现的时候,总会有各种各样的问题,切勿眼高手低,勤动手,才可以理解的更加深刻。

原文地址:https://blog.csdn.net/pdcfighting/article/details/108800140