首页 > 代码库 > python3 爬“斗图啦”

python3 爬“斗图啦”

接触了一个多月的python,终于可以小小露一手了。手法之拙略就不得不恭维了,哈哈,


环境win7系统,Python3.6,Pycharm2017社区版,还有Google浏览器(官网均可下载)


http://www.doutula.com


需要的模块requests, lxml, BeautifulSoup, 

import requests
import lxml
from bs4 import BeautifulSoup

说明一下,下载很多网站都有了反爬机制,所以道高一尺,魔高一丈了,我们模拟浏览器去访问网站,

也就是获得

User-Agent:

Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.81 Safari/537.36


方法:随便打开网页 F12 --Network --F5 --Headers -- User-Agent

技术分享

代码来了

start_url = "http://www.doutula.com/arcticle/list/?page=1"
headers = {‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36‘}

start_html = requests.get(url=url, headers=headers).content
#print(start_html)

soup = BeautifulSoup(start_html,‘lxml‘)  ##lxml 解析网页的
all_a = soup.find_all(‘a‘,attrs={‘class‘:‘list-group-item‘})

for a in all_a:
    #title = a.h4.get_text()
    url = a[‘href‘]
    #print(title,url)

技术分享

每一套“斗图”对应一个 a 标签,所以直接find_all(‘a‘,attrs={‘class‘:‘list-group-item‘}),谢谢站长布局如此规律。

注意这是上面代码的继续,所以注意 缩进

img_html = requests.get(url,headers=header).text
img_soup = lxml.etree.HTML(img_html)  ##打印源码,自动修正html
img_items = img_soup.xpath(‘//div[@class="artile_des"]‘)
for item in img_items:
    imgurl_list = item.xpath(‘table/tbody/tr/td/a/img/@src‘)[0]  ##[0]取list的第一个元素
    print("正在下载"+imgurl_list)
    imgcontent = requests.get(imgurl_list).content ##换成text会报错no ‘str‘
    with open(‘doutu/%s‘ % imgurl_list.split(‘/‘)[-1],‘wb‘) as f:  ##doutu是文件夹,需要自己提前创建
        f.write(imgcontent)

技术分享

然后就有你要的图了,一个一个,据说还可以多线程下载,当然需要另一个模块(threading)了的,

下次见


python3 爬“斗图啦”