我们研发开源了一款基于 Git 进行技术实战教程写作的工具,我们图雀社区的所有教程都是用这款工具写作而成,欢迎 Star 哦
如果你想快速了解如何使用,欢迎阅读我们的 教程文档哦
这是一套基于实战的系列教程,从最简单的爬虫程序开始,授人予渔,详细剖析程序设计的思路,完整展现爬虫是如何一步步调试到最终完成。分享关于爬虫的各种知识、技巧,旨在帮助大家认识爬虫、设计爬虫、使用爬虫最后享受爬虫带给我们在工作和生活上的各种便利。
说起爬虫每个人都或多或少的听过与之相关的内容,觉得它或高深、或有趣。作为一名写代码四五年的初级码农来看,爬虫程序是计算机程序里面最简单也是最有趣的程序。只要会上网冲浪就有写爬虫程序的天赋。
爬虫为什么是虫呢?因为虫子的头脑比较简单,爬虫程序也是 ++“一根筋”++ ,不需要讳莫如深的数学知识,也不用设计精巧的各类算法。我们只需要用计算机能听懂的“大白话”平铺直叙就可以啦。
一句话总结所有爬虫程序的作用: 模拟人类上网的操作,以此来查找、下载、存储数据。 接下来我要以 男人图这个网站为例,分享套路。
此处强烈推荐 Chrome
首先打开这个网址: https://www.nanrentu.cc/sgtp/, 会看到以下界面
。
现在我们只是用浏览器手动打开了这个页面,接下来我们要用代码,让程序也打开这个页面。这就要分析一下浏览器是如何打开这个页面的了,请看简易流程图。
在 python 中,可以使用 requests 这一工具包来发送 HTTP 请求。为了了解程序所“看到” 页面是什么样子的,我们需要把程序所得到 HTML 文件保存到本地,然后再用浏览器打开,就能和程序感同身受了。从而达到“人机合一”的境界。
光说不练假把式,让我们马上来新建一个 index.py
文件,然后在其中编写如下内容:
import requests
url = "https://www.nanrentu.cc/sgtp/"
response = requests.get(url)
if response.status_code == 200:
with open("result.html",'a',encoding="utf-8") as f:
f.write(response.text)
在浏览器打开写入的 HTML 文件是这样的
这怎么和在浏览器中看到的不一样呢?
这个时候我就要亮出一件绝世宝贝————Chrome 调试台(按 F12 )来给您分析一波了。
其实我们在浏览器中看到的页面并不仅仅是 HTML 页面,而是 css 、js 、html 以及各种媒体资源综合在一起并有浏览器最终渲染而出页面,红框的部分,标出了在这个过程中所加载的各个资源。
当我们用程序去请求服务器时,得到仅仅是 HTML 页面,所以程序和我们所看到的页面就大相径庭了。不过没关系 HTML 是主干,抓住了主干其他的只需要顺藤摸瓜就可以了。
打开这个网址以后,各位小仙女就可以各取所需咯,想体验萧亚轩的快乐嘛?那目标就是小鲜肉;馋彭于晏的那样的身子了?那肌肉帅哥就是你的菜。此外韩国欧巴,欧美型男也是应有尽有。
人类是高级生物,眼睛会自动聚焦的目标身上,但是爬虫是“一根筋”啊,它可不会自动聚焦,我们还得帮它指引道路。
写过前端页面的朋友都知道 CSS 样式用过各种选择器来绑定到对应的节点上,那么我们也可以通过 CSS 的选择器来选中我们想要的元素,从而提取信息。Chrome 中已经准备了 CSS 选择器神器,可以生成我们想要元素的选择器。
具体过程如下:第三步为好好欣赏小哥哥们~
这个时候要介绍页面解析神器pyquery,这个工具库可以通过我们所复制的 CSS 选择器,在 HTML 页面中查找对应元素,并且能很便捷地提取各种属性。那么接下来我们就把这个小哥哥解析出来吧。
我们首先安装 PyQuery
这个包,具体可以使用 pip 包管理器安装,然后将代码修改成如下这样:
import requests
from pyquery import PyQuery as pq
url = "https://www.nanrentu.cc/sgtp/"
response = requests.get(url)
if response.status_code == 200:
with open("result.html",'w',encoding="utf-8") as f:
f.write(response.text)
# 开始解析
doc = pq(response.text)
# 把复制的选择器粘贴进去
# 选择对应的节点
imgElement = doc('body > div:nth-child(5) > div > div > div:nth-child(2) > ul > li:nth-child(3) > a > img')
# 提取属性,获取图片链接
imgSrc = imgElement.attr('src')
# 将图片链接输出在屏幕上
print(imgSrc)
这么好看的小哥哥怎么能只让他在互联网上呆着呢?把他放进硬盘里的学习资料文件夹里才是最安全的。接下来,我们就把小哥哥放到碗里来。
下载图片的过程其实和抓取 HTML 页面的流程是一样的,也是利用 requests 发送请求从而获取到数据流再保存到本地。
import requests
from pyquery import PyQuery as pq
url = "https://www.nanrentu.cc/sgtp/"
response = requests.get(url)
if response.status_code == 200:
with open("result.html",'w',encoding="utf-8") as f:
f.write(response.text)
doc = pq(response.text)
imgElement = doc('body > div:nth-child(5) > div > div > div:nth-child(2) > ul > li:nth-child(3) > a > img')
imgSrc = imgElement.attr('src')
print(imgSrc)
# 下载图片
imgResponse = requests.get(imgSrc)
if imgResponse.status_code == 200:
# 填写文件路径 以二进制的形式写入文件
with open('学习文件 /boy.jpg', 'wb') as f:
f.write(imgResponse.content)
f.close()
此时先来看看效果
至此仅仅十多行代码就完成了一个小爬虫,是不是很简单。其实爬虫的基本思路就这四步,所谓复杂的爬虫就是在这个四步的基础上不断演化而来的。爬虫最终的目的是为了获取各种资源(文本或图片),所有的操作都是以资源为核心的。
通过上述步骤我们只能获取到一个小哥哥,集美们就说了,我直接右击鼠标下载也可以啊,干嘛费劲写爬虫呢?那接下来,我们就升级一波选择器,把小哥哥们装进数组,统统搞到碗里来。
为了以后写代码更方便,要先进行一个简单的重构,让代码调理清晰。
重构后的代码如下:
import requests
from pyquery import PyQuery as pq
def saveImage(imgUrl,name):
imgResponse = requests.get(imgUrl)
fileName = "学习文件 /%s.jpg" % name
if imgResponse.status_code == 200:
with open(fileName, 'wb') as f:
f.write(imgResponse.content)
f.close()
def main():
baseUrl = "https://www.nanrentu.cc/sgtp/"
response = requests.get(baseUrl)
if response.status_code == 200:
with open("result.html",'w',encoding="utf-8") as f:
f.write(response.text)
doc = pq(response.text)
imgElement = doc('body > div:nth-child(5) > div > div > div:nth-child(2) > ul > li:nth-child(3) > a > img')
imgSrc = imgElement.attr('src')
print(imgSrc)
saveImage(imgSrc,'boy')
if __name__ == "__main__":
main()
有过前端编程经验的同学们可以看出来,Chrome 自动生成的选择器指定了具体的某个子元素,所以就只选中了一个小哥哥,那么接下来我们要分析出通用的选择器,把臭弟弟们一锅端。
多拿着鼠标点点这个调试台,一层层地看这个 HTML 文件的元素层级,找到其中相同重复的地方,这就是我们的突破口所在。
我们可以看出图片都在一个类名为 h-piclist 的 <ul>
标签中,那么我们可写出以下的选择器 .h-piclist > li > a > img
。这样就选中了这一页所有的图片元素。接着用一个 for 循环遍历就可以了。
import requests
from pyquery import PyQuery as pq
# 引入 UUID 为图片命名
import uuid
def saveImage(imgUrl,name):
imgResponse = requests.get(imgUrl)
fileName = "学习文件 /%s.jpg" % name
if imgResponse.status_code == 200:
with open(fileName, 'wb') as f:
f.write(imgResponse.content)
f.close()
def main():
baseUrl = "https://www.nanrentu.cc/sgtp/"
response = requests.get(baseUrl)
if response.status_code == 200:
with open("result.html",'w',encoding="utf-8") as f:
f.write(response.text)
doc = pq(response.text)
# 选则这一页中所有的目标图片元素
imgElements = doc('.h-piclist > li > a > img').items()
# 遍历这些图片元素
for i in imgElements:
imgSrc = i.attr('src')
print(imgSrc)
saveImage(imgSrc,uuid.uuid1().hex)
if __name__ == "__main__":
main()
可以看出图片的连接已经全部拿到了,但是当去下载图片时却发生了一些意外,请求图片竟然没有反应。这是哪里出了问题呢?图片连接全部拿到,证明代码没毛病,把图片链接放到浏览器里正常打开,证明连接没毛病,那现在可能就是网络有毛病了。
这时候因素很多,我们首先用最简单的方法来解决问题,断线重连。把笔记本 WIFI 重启,重新加入网络,再运行程序。
惊喜来了,臭弟弟们成功入库。
当然啦,这种方式并不是银弹,我们需要有更多的技巧来提升爬虫程序的“演技”,我们的爬虫程序表现的越像个人,那我们获取资源的成功率就会越高。
看到这里,应该跨进爬虫世界的大门了,如果这个世界有主题曲的话那么一定是薛之谦的《演员》接下来的教程中会一遍磨砺“演技”,一遍获取更多的小哥哥。
想要学习更多精彩的实战技术教程?来图雀社区逛逛吧。
也欢迎关注我们的公众号:图雀社区,鼓励我们写出更好的教程!
1
815979670 2020-04-26 09:34:23 +08:00 7
每天一个入狱小技巧(滑稽)
|
2
chwhsen 2020-04-26 09:46:41 +08:00 via Android
怎么一提到爬虫就是爬图呢,给人的第一印象就很怪
|
3
rookielq 2020-04-26 09:55:36 +08:00
这个教程写的就很 nice
|
4
fhsan 2020-04-26 09:58:25 +08:00
搞得我找工作看到爬虫就害怕入狱
|
5
Mithril 2020-04-26 09:59:13 +08:00
Python 和爬虫已经被各种教程和培训班玩烂了。。。
|
6
o0 2020-04-26 10:17:59 +08:00
先跨进这个精彩的世界,再跨进当地的看守所。
|
7
JB18CM 2020-04-26 10:20:30 +08:00
学爬虫之前应该先学习中国法律, 和参考爬虫被抓案例 , 尽量避免入狱
|
8
Cmdhelp 2020-04-26 10:30:47 +08:00
加上线程池分布式队列
|
9
stevenkang 2020-04-26 10:54:02 +08:00
狱友养成记——先获得一份犯罪证明再进入编程行业
|
10
enaxm 2020-04-26 10:58:30 +08:00
python 推荐当成 office 来用。。。爬虫还是算了吧。。。
|
11
siebenundvierzig 2020-04-26 12:33:37 +08:00
太麻烦了,像我女朋友直接找了我就完事了
|
12
Huelse 2020-04-26 12:35:45 +08:00
|
13
adekyou06 2020-04-26 13:41:33 +08:00
太好了!又可以多加几个女狱友了!
|
14
renmu 2020-04-26 14:01:57 +08:00 via Android
直接让男朋友学就好了(笑
|
15
stop9125 2020-04-26 14:26:36 +08:00
好了,学会了,女朋友在哪领
|
16
zuosiruan 2020-04-26 17:11:42 +08:00
图挂了?
|
17
izzy27 2020-04-26 17:44:08 +08:00
只要是用心写的教程我都支持 已经 star 了
|
18
labulaka521 2020-04-26 18:43:09 +08:00 via Android
从定制到入狱
|
19
jasamboro 2020-04-26 18:59:07 +08:00
大佬,图挂了,为啥不选个主流一些的图床呢
|
20
crella 2020-04-26 19:11:15 +08:00 via Android
https://www.v2ex.com/t/603129
https://v2ex.com/t/665304#; 这两篇文章主要讲 chrome debugging port,带上 selenium 。 讲真的,任何一门排行榜前 10 的语言都有简易爬虫的方法,但是也就只有 python 的简易爬虫教程天天搬出来了。 Ruby 技术链:HTTParty 或 OpenURI 、Nokogiri 、JSON 或 YAML 、SQLite 或 MySQL2 (等数据库)、ERB(用于将爬虫数据转化为 html) |
21
learningman 2020-04-26 21:11:10 +08:00
@crella 因为 python 上手比较快,骗小白方便
|
22
Meltdown 2020-04-26 21:54:46 +08:00 via Android
有没有女神定制篇
|
23
getu 2020-05-09 16:27:37 +08:00
imgElement = doc('body > div:nth-child(5) > div > div > div:nth-child(2) > ul > li:nth-child(3) > a > img')
这个 css 选择器是怎么出来的? |