自为其主 发表于 2020-9-28 15:48:38

各位大大看下这爬虫

import requests
import re
import os
from bs4 import BeautifulSoup
import time


def header(url):# 头文件,反反爬
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 '
                           '(KHTML, like Gecko) Chrome/79.0.3945.88 Safari/537.36',
               'Referer': url}
    return headers


def get_html_text(url):# 通用爬虫代码
    try:
      r = requests.get(url, headers=header(url))
      r.raise_for_status()
      r.encoding = 'utf-8'
      return r.text
    except:
      print("爬取失败!")


def get_all_page_list(num):# 获取指定爬取数量的页面地址
    all_page_list = []
    for i in range(num):
      all_page_list.append(f"https://www.mzitu.com/page/{i+1}/")# 修改后面的数,将从这页开始爬,比方说上次爬到第6页,这次从第7页开始,就把i+1改成i+7
    return all_page_list


def get_page_group_list(url):# 获取单页每组图片地址
    html = get_html_text(url)
    p = r'<li><a href="(https://www.mzitu.com/\d*)'
    page_group_list = re.findall(p, html)
    return page_group_list


def get_every_group_pic_list(url):# 获取每组所有图片的地址
    html = get_html_text(url)
    soup = BeautifulSoup(html, 'lxml')
    page_num = int(soup.find('div', 'pagenavi').find_all('span')[-2].string)# 获取每组图片的页数
    every_group_pic_list = []
    for i in range(page_num):
      every_group_pic_list.append(f"{url}/{i+1}")
    return every_group_pic_list


def get_save_pic(url):   # 获取和保存图片文件
    html = get_html_text(url)
    soup = BeautifulSoup(html, 'lxml')

    pic_src = soup.find('div', 'main-image').find('img')['src']
    pic_name = pic_src.split('/')[-1]

    root = "D://妹子图//"
    path = root + soup.find('div', 'main-image').find('img')['alt'] + '//'

    try:
      os.mkdir(path)
      os.chdir(path)
    except FileExistsError:
      pass

    with open(pic_name, 'wb') as f:
      f.write(requests.get(pic_src, headers=header(pic_src)).content)


def main():
    num = int(input("请输入爬取的页数(共200多页,每页有24组图片):"))
    all_page_list = get_all_page_list(num)# 获取需要爬取的总页数地址列表
    print(all_page_list)
    print("====================================================================")
    for url1 in all_page_list:
      page_group_list = get_page_group_list(url1)# 获取单页每组图片地址列表
      print(page_group_list)
      print("====================================================================")
      for url2 in page_group_list:
            every_group_pic_list = get_every_group_pic_list(url2)# 获取每组所有图片地址列表
            for url3 in every_group_pic_list:
                print(url3)
                print("====================================================================")
                get_save_pic(url3)# 获取并保存每组图片
                time.sleep(1)   # 一定要保留,如果太快,最多下两个图集就停了



try:
   os.mkdir("D://妹子图")# 下载的图片存放在D盘的妹子图文件夹里
except:
   pass
main()

各位大大看下这段爬虫哪里有问题,昨天运行的时候提示无法链接主机
页: [1]
查看完整版本: 各位大大看下这爬虫