[已解决]第055讲：论一只爬虫的自我修养4：OOXX

黑盒子

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[a:b]

#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[a+9:b+4])
        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

最佳答案

月排行榜 / 总排行榜

suchocolate

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')[0]
    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')[0]
    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()

跳转到最佳答案楼层

suchocolate

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')[0]
    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')[0]
    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

数据采集多了还需要用代理IP吧

zhangfeiwen

学习了 up up

wanghao灏

[code]
        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，