文章目录
- 1.查看网站结构
- 1.1 获取网站response信息
- 1.2 观察规律
- 2.提取目标图片链接
- 2.1 图片url提取思路
- 2.2 基于正则表达式提取
- 2.3 基于xpath提取
- 2.4 使用beautifulshop提取
- 3.写入文件
- 4.形成爬虫
可能需要导入的包
import time
import os
import re
import requests
from fake_useragent import UserAgent
from lxml import html as lxml_html
from urllib import parse
from bs4 import BeautifulSoup
1.查看网站结构
1.1 获取网站response信息
必应壁纸的网站应该是把用f12打开工作台,右键这类的操作通过js禁止了,不过依旧可以通过各种方式来查看网页结构。
现在确定了,能够获取图片信息的请求地址为https://bing.ioliu.cn/?p=1,最好把html下来,以此方便之后解析的测试。
# 得到response中的html文件代码
def get_html():ua = UserAgent()url = f"https://bing.ioliu.cn/?p=1"# 请求头headers = {"User-Agent": ua.random,"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8","Accept-Encoding": "gzip, deflate, br","Accept-Language": "zh-CN,zh;q=0.9","Cache-Control": "max-age=0","Host": "bing.ioliu.cn",}response = requests.get(url=url, headers=headers)rs_content = response.content.decode('utf8')print(rs_content)with open('./bing_wallpaper.html', 'w+', encoding='utf-8') as fp:fp.write(rs_content)print('ok')get_html()
1.2 观察规律
图片地址的示例如下:
http://h1.ioliu.cn/bing/AlgonquinGrouse_ZH-CN2514966091_1920x1080.jpg
http://h1.ioliu.cn/bing/LastJedi_ZH-CN8789881870_1920x1080.jpg
"""
请求地址
https://bing.ioliu.cn/
https://bing.ioliu.cn/?p=1"
https://bing.ioliu.cn/?p=2"
https://bing.ioliu.cn/?p=3"壁纸详情地址
https://bing.ioliu.cn/photo/LastJedi_ZH-CN8789881870?force=home_1图片地址
http://h1.ioliu.cn/bing/AlgonquinGrouse_ZH-CN2514966091_1920x1080.jpg
http://h1.ioliu.cn/bing/LastJedi_ZH-CN8789881870_1920x1080.jpg"""
结论: 每个图片都有一个id(img_id),例如,LastJedi_ZH-CN8789881870,然后其壁纸1920x1080的拼接规律为:
http://h1.ioliu.cn/bing/LastJedi_ZH-CN8789881870_1920x1080.jpghttp://h1.ioliu.cn/bing/<img_id>_1920x1080.jpg
由于图片地址没有固定规律,应该通过有规律的请求地址获取html代码,再清洗提炼出图片地址
2.提取目标图片链接
2.1 图片url提取思路
经过观察,目前至少有两种方式来提取到:
① 先获取图片的img_id,然后拼接
② 直接在html中提取完整的图片url
2.2 基于正则表达式提取
def extract01(html):'''方式: 用xpath提取壁纸链接:param html: str 需要清洗的html:return: dict {图片名:图片url}'''img_url_list = re.findall('pic=(.*?)\\.jpg', html)img_title_list = re.findall('<div class="description"><h3>(.*?)</h3>', html)treated_img_url_list = []for img_url in img_url_list:treated_img_url_list.append(img_url + '.jpg')treated_img_title_list = []for img_title in img_title_list:treated_img_title_list.append(img_title.split(' ')[0])img_dict = dict(zip(treated_img_title_list, treated_img_url_list))print(img_dict)return img_dict
结果:
{'极北朱顶雀的巢,芬兰拉普兰': 'http://h1.ioliu.cn/bing/ArcticRedpoll_ZH-CN7968973967_1920x1080.jpg','普尔曼附近的帕卢斯一辆拖拉机在耕作时扬起尘土,华盛顿州': 'http://h1.ioliu.cn/bing/PalouseSpring_ZH-CN6803103328_1920x1080.jpg','索尔茲伯里大教堂与放牧的羊群,英格兰': 'http://h1.ioliu.cn/bing/SalisburyCathedral_ZH-CN6366350896_1920x1080.jpg','一只南美貘幼崽小跑着穿过草地': 'http://h1.ioliu.cn/bing/SouthAmericanTapir_ZH-CN6151058361_1920x1080.jpg','红宝石海滩的日落,华盛顿州奥林匹克国家公园': 'http://h1.ioliu.cn/bing/RubySunset_ZH-CN5544596519_1920x1080.jpg','福克兰群岛上的南跳岩企鹅': 'http://h1.ioliu.cn/bing/FalklandRockhoppers_ZH-CN5370686595_1920x1080.jpg','由哈勃太空望远镜拍摄的大麦哲伦星云': 'http://h1.ioliu.cn/bing/MegellanicCloud_ZH-CN5132305226_1920x1080.jpg','正在游水的雄性王绒鸭,挪威特罗姆斯-芬马克郡': 'http://h1.ioliu.cn/bing/KingEider_ZH-CN3559595357_1920x1080.jpg','怀波瓦森林中一棵名为Te': 'http://h1.ioliu.cn/bing/KauriTree_ZH-CN3695568740_1920x1080.jpg','黄石国家公园的大棱镜泉,怀俄明州': 'http://h1.ioliu.cn/bing/GPS_ZH-CN5160095061_1920x1080.jpg','Micheldever': 'http://h1.ioliu.cn/bing/BluebellWood_ZH-CN8128422960_1920x1080.jpg','内斯特角灯塔上空的银河': 'http://h1.ioliu.cn/bing/NeistPoint_ZH-CN3115403132_1920x1080.jpg'}
2.3 基于xpath提取
def extract02(html):'''方式: 用xpath提取壁纸链接:param html: str 需要清洗的html:return: dict {图片名:图片url}'''etree = lxml_html.etreehtml_parser = etree.HTML(html)# 原始数据# 获取图片url列表img_url_list = html_parser.xpath('//a[@class="ctrl share"]/@href')# 获取图片标题列表img_title_list = html_parser.xpath('//div[@class="description"]/h3/text()')# 清洗、提取urltreated_img_url_list = []for img_url in img_url_list:params = parse.parse_qs(parse.urlparse(img_url).query)treated_img_url_list.append(params['pic'][0].replace('?imageslim', ''))# 清洗、提取title来为图片命名(解决文件名过长、不能携带‘/’等情况)treated_img_title_list = []for img_title in img_title_list:treated_img_title_list.append(img_title.split(' ')[0])img_dict = dict(zip(treated_img_title_list, treated_img_url_list))return img_dict
结果:
{'极北朱顶雀的巢,芬兰拉普兰': 'http://h1.ioliu.cn/bing/ArcticRedpoll_ZH-CN7968973967_1920x1080.jpg','普尔曼附近的帕卢斯一辆拖拉机在耕作时扬起尘土,华盛顿州': 'http://h1.ioliu.cn/bing/PalouseSpring_ZH-CN6803103328_1920x1080.jpg','索尔茲伯里大教堂与放牧的羊群,英格兰': 'http://h1.ioliu.cn/bing/SalisburyCathedral_ZH-CN6366350896_1920x1080.jpg','一只南美貘幼崽小跑着穿过草地': 'http://h1.ioliu.cn/bing/SouthAmericanTapir_ZH-CN6151058361_1920x1080.jpg','红宝石海滩的日落,华盛顿州奥林匹克国家公园': 'http://h1.ioliu.cn/bing/RubySunset_ZH-CN5544596519_1920x1080.jpg','福克兰群岛上的南跳岩企鹅': 'http://h1.ioliu.cn/bing/FalklandRockhoppers_ZH-CN5370686595_1920x1080.jpg','由哈勃太空望远镜拍摄的大麦哲伦星云': 'http://h1.ioliu.cn/bing/MegellanicCloud_ZH-CN5132305226_1920x1080.jpg','正在游水的雄性王绒鸭,挪威特罗姆斯-芬马克郡': 'http://h1.ioliu.cn/bing/KingEider_ZH-CN3559595357_1920x1080.jpg','怀波瓦森林中一棵名为Te': 'http://h1.ioliu.cn/bing/KauriTree_ZH-CN3695568740_1920x1080.jpg','黄石国家公园的大棱镜泉,怀俄明州': 'http://h1.ioliu.cn/bing/GPS_ZH-CN5160095061_1920x1080.jpg','Micheldever': 'http://h1.ioliu.cn/bing/BluebellWood_ZH-CN8128422960_1920x1080.jpg','内斯特角灯塔上空的银河': 'http://h1.ioliu.cn/bing/NeistPoint_ZH-CN3115403132_1920x1080.jpg'}
2.4 使用beautifulshop提取
def extract03(html):'''方式: 用BeautifulSoup提取壁纸链接:param html: str 需要清洗的html:return: dict {图片名:图片url}'''soup = BeautifulSoup(html, "html.parser")img_url_list = soup.find_all("a", class_="ctrl share")img_title_list = soup.find_all("div", class_="description")treated_img_url_list = []for one_a_class in img_url_list:params = parse.parse_qs(parse.urlparse(one_a_class.attrs['href']).query)treated_img_url_list.append(params['pic'][0].replace('?imageslim', ''))# 清洗、提取title来为图片命名(解决文件名过长、不能携带‘/’等情况)treated_img_title_list = []for img_title in img_title_list:treated_img_title_list.append(str(img_title.h3.text).split(' ')[0])img_dict = dict(zip(treated_img_title_list, treated_img_url_list))return img_dict
结果:
{'极北朱顶雀的巢,芬兰拉普兰': 'http://h1.ioliu.cn/bing/ArcticRedpoll_ZH-CN7968973967_1920x1080.jpg','普尔曼附近的帕卢斯一辆拖拉机在耕作时扬起尘土,华盛顿州': 'http://h1.ioliu.cn/bing/PalouseSpring_ZH-CN6803103328_1920x1080.jpg','索尔茲伯里大教堂与放牧的羊群,英格兰': 'http://h1.ioliu.cn/bing/SalisburyCathedral_ZH-CN6366350896_1920x1080.jpg','一只南美貘幼崽小跑着穿过草地': 'http://h1.ioliu.cn/bing/SouthAmericanTapir_ZH-CN6151058361_1920x1080.jpg','红宝石海滩的日落,华盛顿州奥林匹克国家公园': 'http://h1.ioliu.cn/bing/RubySunset_ZH-CN5544596519_1920x1080.jpg','福克兰群岛上的南跳岩企鹅': 'http://h1.ioliu.cn/bing/FalklandRockhoppers_ZH-CN5370686595_1920x1080.jpg','由哈勃太空望远镜拍摄的大麦哲伦星云': 'http://h1.ioliu.cn/bing/MegellanicCloud_ZH-CN5132305226_1920x1080.jpg','正在游水的雄性王绒鸭,挪威特罗姆斯-芬马克郡': 'http://h1.ioliu.cn/bing/KingEider_ZH-CN3559595357_1920x1080.jpg','怀波瓦森林中一棵名为Te': 'http://h1.ioliu.cn/bing/KauriTree_ZH-CN3695568740_1920x1080.jpg','黄石国家公园的大棱镜泉,怀俄明州': 'http://h1.ioliu.cn/bing/GPS_ZH-CN5160095061_1920x1080.jpg','Micheldever': 'http://h1.ioliu.cn/bing/BluebellWood_ZH-CN8128422960_1920x1080.jpg','内斯特角灯塔上空的银河': 'http://h1.ioliu.cn/bing/NeistPoint_ZH-CN3115403132_1920x1080.jpg'}
3.写入文件
图片的话,只需要以二进制的方式写入文件,并加上图片的后缀名,即可实现图片的写入
headers = {"Accept": "image/webp,image/apng,image/*,*/*;q=0.8","Accept-Encoding": "gzip, deflate","Accept-Language": "zh-CN,zh;q=0.9","Connection": "keep-alive","Cookie": "_ga=GA1.2.1461883180.1588215214; _gid=GA1.2.1769196419.1588545211; _gat_gtag_UA_61934506_5=1","Host": "h1.ioliu.cn","User-Agent": str(ua.random)}def download_pic(img_dict):'''根据img_dict下载并命名img文件:param img_dict: dict:return:'''try:for img_name, img_url in img_dict.items():res = requests.get(img_url, headers=self.headers_02)with open(f"{self.dir}\\{img_name}.jpg", mode="wb") as f:f.write(res.content)print(f"{img_name}, {img_url}, 下载完成")except Exception as e:print(img_name)print("下载出错", e)
4.形成爬虫
import re
import os
import requests
import time
from bs4 import BeautifulSoup
from fake_useragent import UserAgent
from urllib import parse'''
https://bing.ioliu.cn/?p=1"
https://bing.ioliu.cn/?p=2"
https://bing.ioliu.cn/?p=3"
'''class BingWallpaperSpider01(object):def __init__(self, pages=1, dir_name='BingWallpaper'):ua = UserAgent()# 请求页面时使用的请求头self.headers_01 = {"User-Agent": str(ua.random),"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8","Accept-Encoding": "gzip, deflate, br","Accept-Language": "zh-CN,zh;q=0.9","Cache-Control": "max-age=0","Host": "bing.ioliu.cn",}# 下载图片使用的请求头self.headers_02 = {"Accept": "image/webp,image/apng,image/*,*/*;q=0.8","Accept-Encoding": "gzip, deflate","Accept-Language": "zh-CN,zh;q=0.9","Connection": "keep-alive","Cookie": "_ga=GA1.2.1461883180.1588215214; _gid=GA1.2.1769196419.1588545211; _gat_gtag_UA_61934506_5=1","Host": "h1.ioliu.cn","User-Agent": str(ua.random)}self.pages = pagesself.dir = dir_name# 创建图片存放的文件夹if os.path.exists(self.dir):print('目录已存在')else:os.mkdir(self.dir)print('目录创建成功')def get_res_content(self, page=1):'''获取请求内容:param page: int 要爬取的页数 一页12张:return: str res_content'''url = f"https://bing.ioliu.cn/?p={page}"res = requests.get(url=url, headers=self.headers_01)res_content = res.content.decode('utf8')return res_contentdef get_img_dict_01(self, html):'''方式: 用BeautifulSoup提取壁纸链接:param html: 需要清洗的html:return: dict {图片名:图片url}'''soup = BeautifulSoup(html, "html.parser")img_url_list = soup.find_all("a", class_="ctrl share")img_title_list = soup.find_all("div", class_="description")treated_img_url_list = []for one_a_class in img_url_list:# 获取param中[pic]的值params = parse.parse_qs(parse.urlparse(one_a_class.attrs['href']).query)treated_img_url_list.append(params['pic'][0].replace('?imageslim', ''))# 清洗、提取title来为图片命名(解决文件名过长、不能携带‘/’等情况)treated_img_title_list = []for img_title in img_title_list:treated_img_title_list.append(str(img_title.h3.text).split(' ')[0])img_dict = dict(zip(treated_img_title_list, treated_img_url_list))return img_dictdef download_pic(self, img_dict):'''根据img_dict下载并命名img文件:param img_dict: dict:return:'''try:for img_name, img_url in img_dict.items():res = requests.get(img_url, headers=self.headers_02)with open(f"{self.dir}\\{img_name}.jpg", mode="wb") as f:f.write(res.content)print(f"{img_name}, {img_url}, 下载完成")except Exception as e:print(img_name)print("下载出错", e)def main(self):i = 1while i <= self.pages:print(f"当前第{i}页,共需要下载{self.pages}页")res_content = self.get_res_content(page=i)pics = self.get_img_dict_01(html=res_content)self.download_pic(pics)i += 1print("下载完成")if __name__ == '__main__':spider01 = BingWallpaperSpider01(pages=2)spider01.main()
结果: