黑盒子 发表于 2020-8-26 14:50:28

第055讲:论一只爬虫的自我修养4:OOXX

import urllib.request
import os
import base64

def url_open(url):
    #添加文件头
    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/84.0.4147.105 Safari/537.36')
    #访问页面
    response = urllib.request.urlopen(req)
    html = response.read()
    return html
   
#获取页码
def get_page(url):
    html = url_open(url).decode('utf-8')

    #查找(不懂偏移量)
    a = html.find('current-comment-page') + 23
    b = html.find(']', a)

    return html

#获取页码图片地址
def find_imgs(url):
    html = url_open(url).decode('utf-8')
    img_addrs = []
    #查找(不懂偏移量)
    a = html.find('img src=')
    #找不到a的话,返回-1
    while a != -1:
      b = html.find('.jpg', a, a+255)
      #找不到b的话,返回-1
      if b != -1:
            img_addrs.append('http:' + html)
      else:
            #回到//原位置查找
            b = a + 9
      a = html.find('img src=', b)

    return img_addrs
      
   
#保存图片
def save_imgs(folder, img_addrs):
    for each in img_addrs:
      #分割split,以最后一个/
      filename = each.split('/')[-1]
      with open(filename, 'wb') as f:
            #打开图片,二进制码
            img = url_open(each)
            #写入
            f.write(img)

def download_mm(folder='ooxx', pages=20):
    #创建文件夹
    os.mkdir(folder)
    #保存文件夹
    os.chdir(folder)

    url = 'http://jandan.net/ooxx/'
    #获取页码
    page_num = int(get_page(url))

    for i in range(pages):
      page_num -= i
      #进行base64加密
      num = '20200826-'
      bytes_num = num.encode('utf-8')
      str_num = base64.b64encode(bytes_num).decode('utf-8')
      #获取当前页面地址
      page_url = url + str_num + str(page_num) + '#comments'
      #获取页面内图片地址
      img_addrs = find_imgs(page_url)
      #保存页面到指定的文件夹
      save_imgs(folder, img_addrs)

#调用主函数
if __name__ == '__main__':
    download_mm()

谁能帮我看下,为啥只能爬一页,明明pages=10,一页爬完报错了,求解
还有那个偏移量是怎么算的呢,爬的是煎蛋网http://jandan.net/ooxx,求解

suchocolate 发表于 2020-8-26 15:47:46

我一般用xpath(供参考):

import requests
from lxml import etree
import os


def main():
    dir_name = 'pics'
    if not os.path.exists(dir_name):
      os.mkdir(dir_name)
    os.chdir(dir_name)
    # num = int(input('请输入想下载的页数:'))
    num = 3
    url = 'http://jandan.net/ooxx'
    headers = {'user-agent': 'firefox'}
    result = []
    r = requests.get(url, headers=headers)
    html = etree.HTML(r.text)
    nx_page = html.xpath('//a[@class="previous-comment-page"]/@href')
    for item in range(num):
      r = requests.get('http:' + nx_page, headers=headers)
      html = etree.HTML(r.text)
      result.extend(html.xpath('//img[@referrerpolicy="no-referrer"]/@src'))
      nx_page = html.xpath('//a[@class="previous-comment-page"]/@href')
    pic_num = len(result)
    print(f'总共{pic_num}张图片')
    dl_counter = 1
    for item in result:
      pic_name = item.split('/')[-1]
      try:
            r = requests.get('http:' + item, headers=headers, timeout=5)
      except Exception as e:
            print(e)
      with open(pic_name, 'wb') as f:
            f.write(r.content)
            print(f'已下载{pic_name}, 共下载{dl_counter}。')
            dl_counter += 1


if __name__ == '__main__':
    main()

jackcoden 发表于 2020-9-14 17:21:56

数据采集多了还需要用代理IP吧{:10_257:}

zhangfeiwen 发表于 2020-10-22 11:29:01

学习了 up up

wanghao灏 发表于 2020-12-13 20:38:58


      num = '20201213-'      

#### 加密要加页码一起加‘20201213-’+str(page_num))

      bytes_num = (num+str(page_num)).encode('utf-8')
      str_num = base64.b64encode(bytes_num).decode('utf-8')

####
#         print(base64.b64decode(str_num))
      page_url = url+str_num+'#comments'


楼主,今天看了你的代码收获很多,我试了一下你的代码应该是加密位置, 几行错了,
页: [1]
查看完整版本: 第055讲:论一只爬虫的自我修养4:OOXX