Python爬虫 JS案例分析：爬取鬼灭之刃漫

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

文章转载于公众号：快学Python

作者：皖渝

猪油骨，拿来卤~今天，来分享一下python图片爬取+简单JS分析

爬取网址：漫画地址(这个网站只更新到188话，实际上已经有200多话了)

一、获取所有章节URL地址

打开网址后，使用Chrome抓包，发现所有章节的数据如下所示：

def get_html(url):r=requests.get(url,headers=header)r.encoding='gbk'if r.status_code==200:return r.textexcept:print('网络连接异常')def get_total_chapter():data=json.loads(get_html(url))chapter_total=data['Comics'][2]['Chapters']for item in chapter_total:yield item.get('Url')

二、解析图片地址，进行简单JS解密

点击进入第一话后，分析网页源码，发现图片保存在a标签下的img中，但是需要爬取的src是用javascript写的！这个时候直接用lxml库去解析是拿不到图片的。这里，我们先分析图片链接的组成，用正则把提取出来即可。

src='"+m201304d+"newkuku/2016/02/15/鬼灭之刃][第1话/JOJO_001513.jpg'

其中，m201304是加密的部分，这个网站比较简单，直接找到js4.js文件，即可发现m201304对应的是http://v2.kukudm.com/，除此之外还有三个加密码，我们可以构建成列表，用if判断是否含如下加密码，再用replace替换即可。

三、翻页分析

分析URL可知，第一话共54页，通过改变末尾的/number.html即可实现翻页

全部代码

所有图片都放在桌面的comic文件夹下

import requests
import json
import os
import re
import time
os.chdir('C:/Users/dell/Desktop/comic')
url='https://api.soman.com/soman.ashx?action=getsomancomicdetail&comicname=%E9%AC%BC%E7%81%AD%E4%B9%8B%E5%88%83&source=kuku%E5%8A%A8%E6%BC%AB'
header={'user-agent':"Opera/9.80 (Windows NT 6.0; U; en) Presto/2.8.99 Version/11.10"}def get_html(url):r=requests.get(url,headers=header,timeout=5)r.encoding='gbk'if r.status_code==200:return r.textelse:print('网络连接异常')def get_total_chapter():data=json.loads(get_html(url))chapter_total=data['Comics'][2]['Chapters']for item in chapter_total:yield item.get('Url')def save_items(url,count):r=requests.get(url,headers=header,timeout=5)with open('./第{}话/'.format(count)+str(int(time.time()))+'.jpg','wb') as f:f.write(r.content)def get_all_img():  #得到每话总图片数src_list=["m200911d","m201001d","m201304d","k0910k"]count=0for chapter in get_total_chapter():try:count+=1os.makedirs('./第{}话'.format(count))pat='共(.*?)页'total_page=re.search(pat,get_html(chapter)).group(1)for page in range(1,int(total_page)+1):pat1='<IMG SRC=(.*)></a>'src=re.search(pat1,get_html(chapter)).group(1)for item in src_list:if item in src_list:src=src.replace("+"+item+"+",'http://v2.kukudm.com/').replace('"','')            save_items(eval(src),count)print('第{}话第{}页爬取完成'.format(count,page))now_page=re.search('.*/(.*)\.htm',chapter).group(1)chapter=chapter.replace(str(now_page)+'.htm',str(page+1)+'.htm')except:print('未爬取到数据')
if __name__=='__main__':get_all_img()

最终爬取的漫画如下(这里仅作示例，只爬取了前10话的内容)：