python爬虫爬小姐姐示例代码

Python 爬虫是一项强大的技能，它可以帮助我们从互联网上自动获取数据。然而，除了用于实际的数据采集，爬虫还经常被用来获取一些有趣的内容，比如小姐姐的照片。本教程将向您展示如何使用 Python 编写一个简单的爬虫程序，以自动下载小姐姐的图片。无需担心，我们将详细解释每一步，让您轻松掌握这项技能。

目的

本教程的目的是帮助初学者了解 Python 爬虫编程技巧，掌握爬虫的基本原理，并学会使用 requests 和 lxml 库编写一个小型爬虫程序。通过学习这个示例，您将能够更好地理解如何获取网页内容并处理数据，为以后的爬虫项目打下坚实的基础。

环境准备

在开始编写爬虫程序之前，我们需要确保以下环境准备已完成。

Python

首先，确保您已经安装了 Python。我们建议使用 Python 3.8.5 版本或更高版本，因为这个示例程序是在 Python 3 环境下编写的。

requests

我们将使用 requests 库来发送 HTTP 请求以获取网页内容。如果您尚未安装 requests 库，可以使用以下命令进行安装：

pip install requests

lxml

lxml 是一个用于解析 XML 和 HTML 文档的库，它在我们解析网页时非常有用。如果您尚未安装 lxml 库，可以使用以下命令进行安装：

pip install lxml

os

Python 内置的 os 库用于操作操作系统功能，我们将使用它来创建文件夹和保存下载的图片。

concurrent

concurrent 是 Python 的标准库，用于处理并发任务。我们将使用 concurrent.futures 模块中的 ThreadPoolExecutor 类来实现线程池并发下载图片。

现在，让我们开始编写代码。

过程

下载图片函数

首先，我们需要编写一个函数，用于下载单张图片。这个函数将接受两个参数：图片的链接（URL）和保存图片的路径。以下是这个函数的代码：

import requests
import os

def download_image(url, img_path):
    # 设置请求头
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'
    }
    # 发送 GET 请求到指定的 URL
    response = requests.get(url, headers=headers)
    # 从 URL 中提取图片名称
    img_name = url.split('/')[-1]
    # 以二进制模式打开图片文件并将响应内容写入其中
    with open(os.path.join(img_path, img_name), 'wb') as f:
        f.write(response.content)
        # 打印一个消息，指示图片已经下载完成
        print(f"已下载图片：{img_name}")

处理单个页面函数

接下来，我们需要编写一个函数，用于处理单个页面。这个函数将接受一个参数：页面的页码。以下是这个函数的代码：

import requests
from lxml import etree
import os
import concurrent.futures
import time

def process_page(page):
    # 拼接 URL
    url = f'https://www.xiezhen.xyz/page/{page}'
    # 设置请求头
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'
    }
    # 发送 GET 请求到指定的 URL
    response = requests.get(url, headers=headers)
    # 将响应内容解析为 HTML
    html = etree.HTML(response.content)
    # 获取所有文章链接
    main_url = html.xpath('//div[@class="excerpts"]/article/a/@href')
    # 遍历所有文章链接
    for url in main_url:
        # 发送 GET 请求到文章链接
        response = requests.get(url, headers=headers)
        # 将响应内容解析为 HTML
        html = etree.HTML(response.content)
        # 获取所有图片链接
        sub_url = html.xpath('//article/p/img')
        # 获取图片标题
        img_title = html.xpath('//title/text()')[0].split('-')[0]
        # 设置图片路径
        img_path = f'./xiezhen/{img_title}'
        # 如果图片路径不存在，则创建它
        if not os.path.exists(img_path):
            os.makedirs(img_path)
        # 使用线程池并发下载所有图片
        with concurrent.futures.ThreadPoolExecutor() as executor:
            futures = []
            for s_url in sub_url:
                img_url = s_url.attrib['src']
                futures.append(executor.submit(download_image, img_url, img_path))
            for future in concurrent.futures.as_completed(futures):
                pass
        # 暂停 0.5 秒，避免请求过于频繁
        time.sleep(0.5)

主函数

最后，我们需要编写一个主函数，用于启动整个爬虫程序。这个函数将使用 ThreadPoolExecutor 类并发处理所有页面。以下是主函数的代码：

import concurrent.futures

if __name__ == '__main__':
    # 使用线程池并发处理所有页面
    with concurrent.futures.ThreadPoolExecutor() as executor:
        futures = []
        # 假设有 572 页需要处理
        for page in range(1, 573):
            futures.append(executor.submit(process_page, page))
        for future in concurrent.futures.as_completed(futures):
            pass

总结

通过本教程，我们学习了如何使用 Python 编写一个简单的爬虫程序，自动下载小姐姐的图片。我们讲解了每个步骤的细节，并提供了完整的示例代码。爬虫编程是一个有趣且实用的技能，它可以让我们自动化地获取网页上的数据，但请务必谨慎使用，遵守法律法规和网站的规定。

希望这个示例代码对您有所帮助，让您更好地理解爬虫编程的基本原理。如果您想进一步学习爬虫编程，可以尝试挑战更复杂的项目，探索更多高级技术和工具。

完整代码

以下是完整的 Python 爬虫示例代码：

import requests
from lxml import etree
import os
import concurrent.futures
import time

def download_image(url, img_path):
    # 设置请求头
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'
    }
    # 发送 GET 请求到指定的 URL
    response = requests.get(url, headers=headers)
    # 从 URL 中提取图片名称
    img_name = url.split('/')[-1]
    # 以二进制模式打开图片文件并将响应内容写入其中
    with open(os.path.join(img_path, img_name), 'wb') as f:
        f.write(response.content)
        # 打印一个消息，指示图片已经下载完成
        print(f"已下载图片：{img_name}")

def process_page(page):
    # 拼接 URL
    url = f'https://www.xiezhen.xyz/page/{page}'
    # 设置请求头
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'
    }
    # 发送 GET 请求到指定的 URL
    response = requests.get(url, headers=headers)
    # 将响应内容解析为 HTML
    html = etree.HTML(response.content)
    # 获取所有文章链接
    main_url = html.xpath('//div[@class="excerpts"]/article/a/@href')
    # 遍历所有文章链接
    for url in main_url:
        # 发送 GET 请求到文章链接
        response = requests.get(url, headers=headers)
        # 将响应内容解析为 HTML
        html = etree.HTML(response.content)
        # 获取所有图片链接
        sub_url = html.xpath('//article/p/img')
        # 获取图片标题
        img_title = html.xpath('//title/text()')[0].split('-')[0]
        # 设置图片路径
        img_path = f'./xiezhen/{img_title}'
        # 如果图片路径不存在，则创建它
        if not os.path.exists(img_path):
            os.makedirs(img_path)
        # 使用线程池并发下载所有图片
        with concurrent.futures.ThreadPoolExecutor() as executor:
            futures = []
            for s_url in sub_url:
                img_url = s_url.attrib['src']
                futures.append(executor.submit(download_image, img_url, img_path))
            for future in concurrent.futures.as_completed(futures):
                pass
        # 暂停 0.5 秒，避免请求过于频繁
        time.sleep(0.5)

if __name__ == '__main__':
    # 使用线程池并发处理所有页面
    with concurrent.futures.ThreadPoolExecutor() as executor:
        futures = []
        # 假设有 572 页需要处理
        for page in range(1, 573):
            futures.append(executor.submit(process_page, page))
        for future in concurrent.futures.as_completed(futures):
            pass

现在，您已经学会了如何使用 Python 编写一个爬虫程序来下载小姐姐的图片。祝您编写愉快，爬虫之旅愉快！