开心果. 发表于 2020-5-17 14:04:52

刚学爬取照片遇到请勿盗链，求如何决绝

{:10_266:} {:10_266:} 希望大佬们解决

import urllib.request
import os



def url_open(url):
    req = urllib.request.Request(url)
    req.add_header('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3741.400 QQBrowser/10.5.3863.400')
    response = urllib.request.urlopen(req)
    html = response.read()

    return html

def get_page(url):
   
    html = url_open(url).decode('utf-8')
   

    a = html.find('<span>1</span>') + 6
    b = html.find('<',a)
   
    return html


   
def find_imge(url):
    html = url_open(url).decode('utf-8')
    img_addrs = []
   
    a = html.find('img src=')

    while a != -1:
      b = html.find('.jpg',a,a+255)
      if b != -1:
            img_addrs.append(html)
      else:
            b = a + 9

      a =html.find('img src=', b)

      
    return img_addrs
   
   

def save_imgs(folder,img_addrs):
    for each in img_addrs:
      file_name = each.split('/')[-1]
      with open(file_name,'wb') as f:
            img = url_open(each)
            f.write(img)


def download_mm(folder='爬取文档',pages=64):
    os.mkdir(folder)
    os.chdir(folder) #切换工作目录

    url = 'https://www.mzitu.com/227008/'
    page_num = int(get_page(url))

    for i in range(pages):
      page_num += i
      page_url = url + str(page_num)
      img_addrs = find_imge(page_url)
      save_imgs(folder,img_addrs)
      

if __name__ == '__main__':
    download_mm()


Twilight6 发表于 2020-5-17 14:53:49

本帖最后由 Twilight6 于 2020-5-17 14:56 编辑

被反爬了，这不是我爬的网站吗哈哈 来我这帖看看


https://fishc.com.cn/thread-168018-1-1.html

headers = {
    'Referer': 'https://www.mzitu.com/',
    'Sec-Fetch-Dest': 'image',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36'
}
主要把'Referer':'https://www.mzitu.com/' 加上就好了没加上后台就会认为你是爬虫，哈哈但是我们本来就是

如果有帮助，记得设置最佳哦~~{:10_287:}

开心果. 发表于 2020-5-17 15:21:40

Twilight6 发表于 2020-5-17 14:53
被反爬了，这不是我爬的网站吗哈哈 来我这帖看看




哈哈，解决了，太厉害啦哈哈{:10_298:}

开心果. 发表于 2020-5-17 15:23:15

Twilight6 发表于 2020-5-17 14:53
被反爬了，这不是我爬的网站吗哈哈 来我这帖看看




但是我想问问这个爬取会把网页的其他广告照片也爬取进去，应该如何修改呢？

Twilight6 发表于 2020-5-17 15:39:26

开心果. 发表于 2020-5-17 15:23
但是我想问问这个爬取会把网页的其他广告照片也爬取进去，应该如何修改呢？

正则用好就好了，广告的内容一般和正常图片有些差距的

开心果. 发表于 2020-5-17 15:44:05

Twilight6 发表于 2020-5-17 15:39
正则用好就好了，广告的内容一般和正常图片有些差距的

好的，还没学正则，以后继续努力哈哈

Twilight6 发表于 2020-5-17 15:49:53

开心果. 发表于 2020-5-17 15:44
好的，还没学正则，以后继续努力哈哈

不止正则，只是正则精通的话会很方便的，你用其他的数据提取模块也可以，像xpath，Beautiful Soup、JsonPath、PQ什么的都可以的

开心果. 发表于 2020-5-17 16:53:18

Twilight6 发表于 2020-5-17 15:49
不止正则，只是正则精通的话会很方便的，你用其他的数据提取模块也可以，像xpath，Beautiful Soup、JsonP ...

哈哈，慢慢来，刚入门自学，把基础打好哈哈

Twilight6 发表于 2020-5-17 16:54:42

开心果. 发表于 2020-5-17 16:53
哈哈，慢慢来，刚入门自学，把基础打好哈哈

对！加油！不懂就继续发帖子问问问哈哈我除了最近发的4章帖子，全是问以前代码遇到的问题哈哈

开心果. 发表于 2020-5-17 17:03:43

Twilight6 发表于 2020-5-17 16:54
对！加油！不懂就继续发帖子问问问哈哈我除了最近发的4章帖子，全是问以前代码遇到的问题哈哈

{:10_275:}向大佬看齐！

Twilight6 发表于 2020-5-17 17:45:02

开心果. 发表于 2020-5-17 17:03
向大佬看齐！

我也不是大佬哈，我也是刚学没多久{:10_287:}
页: [1]
查看完整版本: 刚学爬取照片遇到请勿盗链，求如何决绝