Python抓取網(wǎng)絡(luò)高清美圖

一：前言

嘀嘀嘀，上車請刷卡。昨天看到了不錯的圖片分享網(wǎng)——花瓣，里面的圖片質(zhì)量還不錯，所以利用selenium+xpath我把它的妹子的欄目下爬取了下來，以圖片欄目名稱給文件夾命名分類保存到電腦中。這個妹子主頁http://huaban.com/boards/favorite/beauty是動態(tài)加載的，如果想獲取更多內(nèi)容可以模擬下拉，這樣就可以更多的圖片資源。這種之前爬蟲中也做過，但是因為網(wǎng)速不夠快所以我就抓了19個欄目，一共500多張美圖，也已經(jīng)很滿意了。

先看看效果：

Paste_Image.png

Paste_Image.png

二：運(yùn)行環(huán)境

IDE：Pycharm

Python3.6

lxml 3.7.2

Selenium 3.4.0

requests 2.12.4

三：實例分析

1.這次爬蟲我開始做的思路是：進(jìn)入這個網(wǎng)頁http://huaban.com/boards/favorite/beauty然后來獲取所有的圖片欄目對應(yīng)網(wǎng)址，然后進(jìn)入每一個網(wǎng)頁中去獲取全部圖片。（如下圖所示）

Paste_Image.png

Paste_Image.png

2.但是爬取獲取的圖片分辨率是236x354，圖片質(zhì)量不夠高，但是那個時候已經(jīng)是晚上1點30之后了，所以第二天做了另一個版本：在這個基礎(chǔ)上再進(jìn)入每個縮略圖對應(yīng)的網(wǎng)頁，再抓取像下面這樣高清的圖片。

Paste_Image.png

四：實戰(zhàn)代碼

1.第一步導(dǎo)入本次爬蟲需要的模塊

2.下面是設(shè)置webdriver的種類，就是使用什么瀏覽器進(jìn)行模擬，可以使用火狐來看它模擬的過程，也可以是無頭瀏覽器PhantomJS來快速獲取資源，['--load-images=false', '--disk-cache=true']這個意思是模擬瀏覽的時候不加載圖片和緩存，這樣運(yùn)行速度會加快一些。WebDriverWait標(biāo)明最大等待瀏覽器加載為10秒，set_window_size可以設(shè)置一下模擬瀏覽網(wǎng)頁的大小。有些網(wǎng)站如果大小不到位，那么一些資源就不加載出來。

3.parser(url, param)這個函數(shù)用來解析網(wǎng)頁，后面有幾次都用用到這些代碼，所以直接寫一個函數(shù)會讓代碼看起來更整潔有序。函數(shù)有兩個參數(shù)：一個是網(wǎng)址，另一個是顯性等待代表的部分，這個可以是網(wǎng)頁中的某些板塊，按鈕，圖片等等...

4.下面的代碼就是解析本次主頁面http://huaban.com/boards/favorite/beauty/然后獲取到每個欄目的網(wǎng)址和欄目的名稱，使用xpath來獲取欄目的網(wǎng)頁時，進(jìn)入網(wǎng)頁開發(fā)者模式后，如圖所示進(jìn)行操作。之后需要用欄目名稱在電腦中建立文件夾，所以在這個網(wǎng)頁中要獲取到欄目的名稱，這里遇到一個問題，一些名稱不符合文件命名規(guī)則要剔除，我這里就是一個 * 影響了。

Paste_Image.png

5.前面已經(jīng)獲取到欄目的網(wǎng)頁和欄目的名稱，這里就需要對欄目的網(wǎng)頁分析，進(jìn)入欄目網(wǎng)頁后，只是一些縮略圖，我們不想要這些低分辨率的圖片，所以要再進(jìn)入每個縮略圖中，解析網(wǎng)頁獲取到真正的高清圖片網(wǎng)址。這里也有一個地方比較坑人，就是一個欄目中，不同的圖片存放dom格式不一樣，所以我這樣做

這就把兩種dom格式中的圖片地址都獲取了，然后把兩個地址list合并一下。img_url +=img_url2在本地創(chuàng)建文件夾使用filename = 'image{}'.format(fileName) + str(i) + '.jpg'表示文件保存在與這個爬蟲代碼同級目錄image下，然后獲取的圖片保存在image中按照之前獲取的欄目名稱的文件夾中。

五：總結(jié)

這次爬蟲繼續(xù)練習(xí)了Selenium和xpath的使用，在網(wǎng)頁分析的時候也遇到很多問題，只有不斷練習(xí)才能把自己不會部分減少，當(dāng)然這次爬取了500多張妹紙還是挺養(yǎng)眼的。