一篇文章教会你利用Python网络爬虫成为斗图达人

​

​【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!​

​【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：

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。​

​观察网址的变化（一般取前三页）：​​

​​

​​​
​​​​​
​​​​

​    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。​​

​ ​3.  ​​如何获取Cookie？​​

​    右键检查，找到NetWork，随便复制一个Cookie即可。​

​【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。

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。​

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。​

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）。​​​

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：​

​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）。​

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。​

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。​

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。​​

​2、将下载成功信息显示在控制台。​

​3、保存文档，在本地可以看到斗图。​

​【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。​

​    ​5、​需要本文源码的小伙伴，后台回复“​​斗图达人​​”四个字，即可获取。​

​​看完本文有收获？请转发分享给更多的人​​

​​IT共享之家​​

​​

​​​​​---​--​​​​​​---​​---​​​​​---​--​​​​​​---​​​​​​​​​​​​​​​​​ End ​​​​---​--​​​​​​---​--​---​​​​​---​--​​​​​​-​​​​​​​​​​​​​​​​​​

​​​​