大家好，又见面了，我是你们的朋友全栈君。

简述

作为一个考研狗，每天除了日复一日的复习外，偶尔也想给自己寻找一些生活的小乐趣，今天突然想到了自己曾经稍微接触的爬虫，想看看可以爬取些图片放到电脑上，就花了些时间改了改之前的爬虫代码，爬取了一部分照片先量一下战绩吧。照片不多但也算是自己的一次爬虫小经验。

实现思路

爬虫的网页很简单，照片真实路径都在页面中直接可以拿到
主要流程就是先进入照片浏览的主页，每个照片的主页都会链接几个照片页面，像下面这样，每个图片都会链接一个网页
图片链接的网页如下图所示

但是这个页面显示的图片还是不够高清，这个网站有一个规律，更高清的照片存放的网页就在现在这个页面的路径后跟一个 -1920×1080 的htm中，进入这个htm之后展示的照片才是我们要的，拿到图片的url就直接下载就好，就这样一直循环，所有的照片就都下载下来了。

关键代码

文件下载

import requests
import time


def downloadFile(name, url):
    try:
        headers = { 
   'Proxy-Connection': 'keep-alive'}
        r = requests.get(url, stream=True, headers=headers)
        print("=========================")
        print(r)
        length = float(r.headers['Content-length'])
        f = open(name, 'wb')
        count = 0
        count_tmp = 0
        time1 = time.time()
        for chunk in r.iter_content(chunk_size=512):
            if chunk:
                f.write(chunk)  # 写入文件
                count += len(chunk)  # 累加长度
                # 计算时间 两秒打印一次
                if time.time() - time1 > 2:
                    p = count / length * 100
                    speed = (count - count_tmp) / 1024 / 1024 / 2
                    count_tmp = count
                    print(name + ': ' + formatFloat(p) + '%' + ' Speed: ' + formatFloat(speed) + 'M/S')
                    time1 = time.time()
        f.close()
        return 1;
    except:
        print("出现异常")
        return 0;


def formatFloat(num):
    return '{:.2f}'.format(num)


if __name__ == '__main__':
    downloadFile('D://file//photo//hd.jpg',
                 'https://browser9.qhimg.com/bdr/__85/t01753453b660de14e9.jpg')

文件下载没什么好说的，复制就可以用，这里做了一个异常捕获的处理，因为可能出现连接不上资源，或则目标服务器强制关闭连接的可能，做这个异常处理就是为了判断有没有异常出现，从而进行相应的处理

爬虫代码

# -*- codeing = utf-8 -*-
# @Time : 2021/6/19 23:01
# @Author : xiaow
# @File : PhotoSpider.py
# @Software : PyCharm
from bs4 import BeautifulSoup  # 网页解析
import xlwt  # excel操作
import sqlite3  # 数据库操作
from api import spider2 as spider
import time
from api import FileDownload as fd
import re  # 正则表达式

imglink = re.compile(r'<a href="(.*?)" target="_blank" title=".*?"><img alt=".*?" src=".*?"/><b>.*?</b></a>', re.S)
img2link = re.compile(r'<a href="(.*?)" target="_blank">.*?<span>（1680x1050）</span></a>', re.S)
img3link = re.compile(r'<img alt=".*?" src="(.*?)" title=".*?"/>', re.S)

# 获取照片页面路径
def getPhoto(url):
    srcs = []
    html = spider.askURL(url);
    bs = BeautifulSoup(html, "html.parser");
    for item in bs.find_all('a', target="_blank"):
        item = str(item)
        src = re.findall(imglink, item)
        if (len(src) != 0):
            srcs.append("http://www.netbian.com" + src[0])
    return srcs;

# 照片主页显示的照片不够清楚，这里根据这个网站存储照片的规律，拼接了一个地址，这个地址的照片比较高清一些
def getPhotoUrl(url):
    purls = [];
    url3 = "http://www";
    url2 = url.split(".")
    for j in range(1, len(url2)):
        if j == len(url2) - 2:
            url3 = url3 + "." + url2[j] + "-1920x1080"
        else:
            url3 = url3 + "." + url2[j]
    return (url3)
# 下载照片
def downloadPhoto(url):
    html = spider.askURL(url);
    bs = BeautifulSoup(html, "html.parser");
    for item in bs.find_all("img"):
        item=str(item)
        itemsrc=re.findall(img3link,item)
        if(len(itemsrc)!=0):
           return itemsrc[0]


if __name__ == '__main__':
    src = "http://www.netbian.com/mei/index_";
    # 拼接照片主页的路径
    for i in range(2,163):
        time.sleep(5)
        src2 = "";
        src2=src+str(i)+".htm"
        urls=getPhoto(src2)

        for j in range(len(urls)):
            time.sleep(3)
            fd.downloadFile('D://file//photo//hd'+str(time.time())+".jpg",downloadPhoto(getPhotoUrl(urls[j])))

成果

展示几张照片吧

更新

解析网页的封装类

#-*- codeing = utf-8 -*-
#@Time : 2021/3/1 16:16
#@Author : xiaow
#@File : spider2.py
#@Software : PyCharm

import re  # 正则表达式
import sys
import urllib.request, urllib.error  # 指定url，获取网页数据
from bs4 import BeautifulSoup  # 网页解析
import xlwt  # excel操作
import sqlite3  # 数据库操作

baseurl = 'https://movie.douban.com/top250?start='

imglink = re.compile(r'<a href=".*?" title=".*?">', re.S)

# titlelink = re.compile(r'<span class="title">(.*)</span>')
# findlink = re.compile(r'<a href="(.*?)">') # 创建正则表达式 表示规则


# 1.爬取网页
def getData(url):
    urllist = []
    valuelist = []
    # 2.解析数据
    img = []
    src = []
    title = []
    for i in range(0, 10):
        url = baseurl + str(i * 25)
        html = askURL(url)
        bs = BeautifulSoup(html, "html.parser")
        print(bs)
        # urllist.append(bs.a.attrs["href"])
        # valuelist.append(bs.a.string)
        # return urllist, valuelist
        for item in bs.find_all('div', class_="item"):  # 查找div 并且该div应满足class=item
            # print(item)
            item = str(item)
            # titlel = re.findall(titlelink, item)
            # title.append(titlel)
            # srcl = re.findall(findlink, item) # 正则表达式进行筛选
            # for s in srcl:
            # src.append(s)
            imgl = re.findall(imglink, item)  # 正则表达式进行筛选
            for i in imgl:
                img.append(i)
    return title, img, src;


# 得到一个url的网页内容1
def askURL(url):
    head = { 
   
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36",
        "Cookie": '_ga=GA1.2.1191993538.1623990557; _gid=GA1.2.176559558.1623990557; HstCfa3699098=1623990557028; HstCmu3699098=1623990557028; HstCnv3699098=1; HstCns3699098=1; newurl=0; __dtsu=10401623990557D693AE61F09F524965; pbnfgecookieinforecord=%2C64-32128%2C64-32129%2C; HstCla3699098=1623991353818; HstPn3699098=7; HstPt3699098=7'
    }
    req = urllib.request.Request(url=url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(req)
        html = response.read()
    except Exception as result:
        print(result)
    return html


# 3.保存数据
def savaData(savepath):
    pass