回车桌面图片爬取
今天我们就来爬爬这个网站 https://tu.enterdesk.com/ 这个网站能爬的资源还是很多的，但我就写一个例子，其他的可以根据思路去写。
首先还是先来分析下这个网站的图片获取过程
我选择的是图库，先随便选择一个标签，我这选宠物吧
哟，我们再看看有没有翻页 开启F12(开发者工具)
用不习惯火狐，还是开谷歌来看吧
那么就访问看看？随便选取一个访问看看是不是能出图片
https://tu.enterdesk.com/chongwu/6.html
结果肯定是可以的啦
问题来了，现在怎么查看最后一页的页码是什么？一种是无限循环下去 直到 没有图片标签的时候报错，还有一种就是从源码中找出页码 那就得看有没有页码按钮 刚才滚轮比较快 现在慢一点 看有没有页码这些东西
这网站还是有页码的，那说明在html源码中能找到页码数
两种方法：
F12工具选择元素
Ctrl+U走一波 源代码直接搜索
现在找到所有页码，接下来就是分析图片源地址了
选择目标图片看看是不是源地址 原图 打开一看其实不是
https://up.enterdesk.com/edpic_360_360/4c/3e/c2/4c3ec2be7061121ad5994a9b51241fa3.jpg
现在再点击进去图片里面 发现是原图了 这时再选择图片查看标签的图片链接
复制上图里面的链接 打开一看就是原图啦 看下图的链接 怎么那么熟悉？
对比下两个链接
https://up.enterdesk.com/edpic_360_360/4c/3e/c2/4c3ec2be7061121ad5994a9b51241fa3.jpg
https://up.enterdesk.com/edpic_source/4c/3e/c2/4c3ec2be7061121ad5994a9b51241fa3.jpg
略缩图 edpic_360_360
原图 edpic_source
这下整体思路就有啦，我们可以获取略缩图的链接将url进行重构，形成原图链接，然后再批量下载就好啦！
开始撸代码了！！！
第一个是 class Spider(): 我们声明了一个类,然后我们使用 def __init__去声明一个构造函数
import requests
all_urls = [] # 我们拼接好的每一页链接
class Spider():
# 构造函数，初始化数据使用
def __init__(self, target_url, headers):
self.target_url = target_url
self.headers = headers
# 获取所有的想要抓取的URL
def getUrls(self):
#获取末页
response = requests.get(target_url % 1,headers=headers).text
html = BeautifulSoup(response,'html.parser')
res = html.find(class_='wrap no_a').attrs['href'] #找到末页的标签提取末页的链接
page_num = int(re.findall('(\d+)',res)[0]) #正则匹配 页码数
global all_urls
# 循环得到拼接URL
for i in range(1, page_num + 1):
url = self.target_url % i
all_urls.append(url)分析怎么提取末页链接如下图：
这里我们采用多线程的方式爬取，引入下面几个模块
from bs4 import BeautifulSoup #解析html
import threading #多线程
import re #正则匹配
import time #时间新增加一个全局的变量，而且是多线程操作，我们需要引入线程锁，避免资源同时写入出错。
all_img_urls = [] #所有图片链接
g_lock = threading.Lock() #初始化一个锁声明一个Producer的类，负责提取图片链接，然后添加到 all_img_urls 这个全局变量中
class Producer(threading.Thread):
def run(self):
headers = {
'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:52.0) Gecko/20100101 Firefox/52.0'
}
global all_urls
while len(all_urls) > 0:
g_lock.acquire() # 在访问all_urls的时候，需要使用锁机制
page_url = all_urls.pop(0) # 通过pop方法移除第一个元素，并且返回该值
g_lock.release() # 使用完成之后及时把锁给释放，方便其他线程使用
try:
print("分析" + page_url)
response = requests.get(page_url, headers=headers, timeout=3).text
html = BeautifulSoup(response,'html.parser')
pic_link = html.find_all(class_='egeli_pic_li')[:-1]
global all_img_urls
g_lock.acquire() # 这里还有一个锁
for i in pic_link:
link = i.find('img')['class="lazy" data-src'].replace('edpic_360_360','edpic_source')
all_img_urls.append(link)
g_lock.release() # 释放锁
# time.sleep(0.1)
except:
pass线程锁，在上面的代码中，当我们操作all_urls.pop(0)的时候，我们是不希望其他线程对他进行同时操作的，否则会出现意外，所以我们使用g_lock.acquire()锁定资源，然后使用完成之后，记住一定要立马释放g_lock.release(),否则这个资源就一直被占用着，程序无法进行下去了。
if __name__ == "__main__":
headers = {
'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:52.0) Gecko/20100101 Firefox/52.0'
}
target_url = 'https://tu.enterdesk.com/chongwu/%d.html' # 图片集和列表规则
print('开始获取所有图片页链接！！！')
spider = Spider(target_url, headers)
spider.getUrls()
print('完成获取所有图片页，开始分析图片链接！！！')
threads = []
for x in range(10):
gain_link = Producer()
gain_link.start()
threads.append(gain_link)
# join 线程同步 主线程任务结束之后 进入阻塞状态 等待其他的子线程执行结束之后 主线程在终止
for tt in threads:
tt.join()下面再定义一个DownPic类 用于下载图片
class DownPic(threading.Thread):
def run(self):
headers = {
'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:52.0) Gecko/20100101 Firefox/52.0'
}
while True:
global all_img_urls
# 上锁
g_lock.acquire()
if len(all_img_urls) == 0: # 如果没有图片了，就解锁
# 不管什么情况，都要释放锁
g_lock.release()
break
else:
t = time.time()
down_time = str(round(t * 1000)) # 毫秒级时间戳
pic_name = 'D:\\test\\'+ down_time + '.jpg'
pic = all_img_urls.pop(0)
g_lock.release()
response = requests.get(pic, headers=headers)
with open(pic_name, 'wb') as f:
f.write(response.content)
f.close()
print(pic_name + ' 已下载完成！！！')可以看到利用了down_time = str(round(t * 1000)) 来生成毫秒级时间戳来命名图片 其实也可以获取图片的名称来命名 那就靠自己去写一个了
再从if __name__ == "__main__": 添加下面代码 用于开启多线程下载
print('分析图片链接完成，开始多线程下载！！！')
for x in range(20):
download = DownPic()
download.start()整体流程就这么写完啦！run下代码
Tips：跑这个代码需要在D盘创建test文件夹 或者自己修改代码实现其他功能
附出完整代码：
import requests
from bs4 import BeautifulSoup #解析html
import threading #多线程
import re #正则匹配
import time #时间
all_urls = [] # 我们拼接好的每一页链接
all_img_urls = [] #所有图片链接
g_lock = threading.Lock() #初始化一个锁
class Spider():
# 构造函数，初始化数据使用
def __init__(self, target_url, headers):
self.target_url = target_url
self.headers = headers
# 获取所有的想要抓取的URL
def getUrls(self):
#获取末页
response = requests.get(target_url % 1,headers=headers).text
html = BeautifulSoup(response,'html.parser')
res = html.find(class_='wrap no_a').attrs['href'] #找到末页的标签提取末页的链接
page_num = int(re.findall('(\d+)',res)[0]) #正则匹配 页码数
global all_urls
# 循环得到拼接URL
for i in range(1, page_num + 1):
url = self.target_url % i
all_urls.append(url)
#负责提取图片链接
class Producer(threading.Thread):
def run(self):
headers = {
'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:52.0) Gecko/20100101 Firefox/52.0'
}
global all_urls
while len(all_urls) > 0:
g_lock.acquire() # 在访问all_urls的时候，需要使用锁机制
page_url = all_urls.pop(0) # 通过pop方法移除第一个元素，并且返回该值
g_lock.release() # 使用完成之后及时把锁给释放，方便其他线程使用
try:
print("分析" + page_url)
response = requests.get(page_url, headers=headers, timeout=3).text
html = BeautifulSoup(response,'html.parser')
pic_link = html.find_all(class_='egeli_pic_li')[:-1]
global all_img_urls
g_lock.acquire() # 这里还有一个锁
for i in pic_link:
link = i.find('img')['class="lazy" data-src'].replace('edpic_360_360','edpic_source')
all_img_urls.append(link)
g_lock.release() # 释放锁
# time.sleep(0.1)
except:
pass
class DownPic(threading.Thread):
def run(self):
headers = {
'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:52.0) Gecko/20100101 Firefox/52.0'
}
while True:
global all_img_urls
# 上锁
g_lock.acquire()
if len(all_img_urls) == 0: # 如果没有图片了，就解锁
# 不管什么情况，都要释放锁
g_lock.release()
break
else:
t = time.time()
down_time = str(round(t * 1000)) # 毫秒级时间戳
pic_name = 'D:\\test\\'+ down_time + '.jpg'
pic = all_img_urls.pop(0)
g_lock.release()
response = requests.get(pic, headers=headers)
with open(pic_name, 'wb') as f:
f.write(response.content)
f.close()
print(pic_name + ' 已下载完成！！！')
if __name__ == "__main__":
headers = {
'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:52.0) Gecko/20100101 Firefox/52.0'
}
target_url = 'https://tu.enterdesk.com/chongwu/%d.html' # 图片集和列表规则
print('开始获取所有图片页链接！！！')
spider = Spider(target_url, headers)
spider.getUrls()
print('完成获取所有图片页，开始分析图片链接！！！')
threads = []
for x in range(10):
gain_link = Producer()
gain_link.start()
threads.append(gain_link)
# join 线程同步 主线程任务结束之后 进入阻塞状态 等待其他的子线程执行结束之后 主线程在终止
for tt in threads:
tt.join()
print('分析图片链接完成，开始多线程下载！！！')
for x in range(20):
download = DownPic()
download.start()
