Python零基础入门二十二之抓取妹子图

这篇博客主要是讲解从煎蛋网抓取妹子图。也算是对之前所学的爬虫的隐藏和代理的一个综合训练。
我们要想抓取一个网页的指定内容，我们首先需要踩点，所谓的踩点就是发现网页之间存在的联系、规律等等，以便实现我们的高效抓取。
首先我们对煎蛋网进行踩点.我们要实现的功能是抓取煎蛋网上10页中的所有图片，因此我们首先要找到页的地址，在去找到页中图片的地址。

我们通过对煎蛋网页面中页和图片进行检查，很容易便发现了页的地址与图片的地址，并且通过切换不同的页，找到了页与页之间的规律。

不同页之间只是页码号不同，其余均相同。踩好点之后我们便开始代码的编写。我们进行模块化编程，使用函数进行编写。

import urllib.request
import os#用于获得煎蛋网页面的函数
def url_open(url):req=urllib.request.Request(url)#添加header信息req.add_header('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36')response=urllib.request.urlopen(req)html=response.read()return html#用于从煎蛋网的网页中获得页面的地址的函数
def get_page(url):#将网页解码为Python能够处理的Unicode编码html=url_open(url).decode('utf-8')a=html.find('current-comment-page')+23b=html.find(']',a)print(html[a:b])return html[a:b]#用于从煎蛋网的页面中找到图片地址的函数
def find_imgs(url):html=url_open(url).decode('utf-8')img_addrs=[]#find函数若找不到要找到的字符串则会返回-1a=html.find('img src=')while a!=-1:#给定.jpg的寻找范围，注意不要太大b=html.find('.jpg',a,a+100)#如果顺利找到.jpg,说明找到了完整的图片的地址，则进行保存if b!=-1:#对图片进行保存时要格外注意，因为现在使用了泛解析，有的地址不会#明确给出http的协议名，有的地址有会给出http，#这对于我们的抓取带来了一定的麻烦，因此我们要分两种情况进行讨论#这样才不会出现地址错误的异常if 'http' not in html[a+9:b+4]:img_addrs.append('http:'+html[a+9:b+4])else:img_addrs.append(html[a+9:b+4])else:#如果找不到.jpg，则应将b+9，因为下一次循环是从这一次结束开始的#如果不进行这个操作，则b=-1，则无法进行下一次寻找，之所以加9#是因为img src="正好是9个字节b=a+9#继续进行下一次寻找，只有一个参数，表示从这个点开始下一次寻找a=html.find('img src=',b)return img_addrs
#用于保存图片的函数
def save_imgs(folder,img_addrs):for each in img_addrs:#[-1]表示从右边数第一个参数filename=each.split('/')[-1]f=open(filename,'wb')img=url_open(each)f.write(img)
def download_mm(folder='OOXX',pages=10):#在当前的文件夹(python.exe所在的文件)下创建新的文件夹os.mkdir(folder)#将目录切换到该文件夹os.chdir(folder)url="http://jandan.net/ooxx/"#这里的地址是一层套着一层#页面的地址在网页中抓取#而页面中的图片在在页面的地址下抓取#注意层层递进的关系page_num=int(get_page(url))for i in range(pages):#使用循环获取10页的内容page_num-=i#获取每一页的地址page_url=url+'page-'+str(page_num)+'#comments'#在每一页中找到图片img_addrs=find_imgs(page_url)#保存图片save_imgs(folder,img_addrs)
if __name__=='__main__':download_mm()

上述代码中已经有了很详细的解释，我被这个程序卡了一天多的bug，主要原因在于在获得图片的地址时对于http协议头部的处理，一开始都加，结果是有的地址出现了双http，而如果不加上http，则缺少http又不能访问，所以在爬取的时候一定要仔细认真。

最后将抓取的资源放上：

这也是第一个正式的爬虫，还是有点小激动，接下来还是继续加油！