0
点赞
收藏
分享

微信扫一扫

一篇文章教会你利用Python网络爬虫成为斗图达人

小暴龙要抱抱 2022-03-16 阅读 84


【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_python

【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。

一篇文章教会你利用Python网络爬虫成为斗图达人_python_02

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。

一篇文章教会你利用Python网络爬虫成为斗图达人_html_03


 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_html_04

【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)。

一篇文章教会你利用Python网络爬虫成为斗图达人_右键_05

一篇文章教会你利用Python网络爬虫成为斗图达人_python_06

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_右键_07


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。

一篇文章教会你利用Python网络爬虫成为斗图达人_python_08


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_右键_09


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_html_10


【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

一篇文章教会你利用Python网络爬虫成为斗图达人_html_11

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

​​​​


举报

相关推荐

0 条评论