今天，他爬取了 上千张 相亲素颜照。跟我说？刷相亲平台，收集素颜照，训练机器模型。这也能信？
她们明明化妆了。
阅读本文你将收获
- 近万张素颜头像；
lxml解析库初识；XPath语法初识；Cooike反爬；- 女朋友（没准是意外收获）
Python 采集 19 楼相亲女生头像
从本篇博客开始，你将进入爬虫 120 例的第二个小阶段，requests + lxml 实现爬虫。
requests 相信通过前面 10 个案例，你已经比较熟悉了，接下来我们在其基础上，新增一款爬虫解析库 lxml。该库主要用于 XML，HTML 的解析，而且解析效率非常高，使用它之后，你就可以摆脱编写正则表达式的烦恼了。
目标数据源分析
爬取目标网站
本次抓取目标是 19 楼女生相亲频道，该分类频道截止 7 月 1 日还在持续更新中。
https://www.19lou.com/r/1/19lnsxq.html
以下图片来自网页截图，如有侵权，及时联系橡皮擦哦~
本次爬取的目标为上图头像图片，文件名保存为标题内容。
使用的 Python 模块
requests模块lxml模块fake_useragent模块
重点学习内容
lxml 模块初识。
列表页分析
本次抓取围绕列表页即可完成任务，列表页排序规则如下：
https://www.19lou.com/r/1/19lnsxq.html
https://www.19lou.com/r/1/19lnsxq_2.html
https://www.19lou.com/r/1/19lnsxq-233.html
图片所在标签如下所示，提取工作交给 lxml 模块完成，当然为了联系熟练程度，你依旧可以使用 re 模块完成一版。
lxml 基础知识
提前通过 pip install lxml 对该库完成安装。
导入该库与该库的基本使用。
from lxml import etree
html = "一点HTML代码"
#生成一个 XPath 对象
html=etree.HTML(text)
# 提取数据
html.xpath('//li/a')
上述代码注释中提及的 XPath 对象，关于 XPath，是一门在 XML/HTML 文档中查找信息的语言，大意为通过特定语法在 HTML 中提取数据的语言，基础知识的学习，可以参考 https://www.w3school.com.cn/xpath/xpath_intro.asp，最佳的学习技巧是边查边用。
整理需求如下
- 批量生成待抓取列表页；
requests请求目标数据；lxml提取目标数据；- 保存图片。
编码时间
在编码时，为了防止直接被反爬识别，所在爬取过程中，增加一个等待时间，限制爬取速度（当然在后续发现没有对 IP 的限制，直接移除即可）。
代码编写过程中，如果出现如下错误，更新 fake_useragent 即可。
raise FakeUserAgentError('Maximum amount of retries reached')
更新脚本如下：
pip install -U fake-useragent
如果依旧失败，建议自己写随机生成 UserAgent 的函数。
一点点反爬
爬取该目标数据时，直接通过 requests 请求目标地址，会返回如下代码，该代码不是目标数据所在页面，即网站存在反爬技术。
直接请求目标网址，得到的响应代码如下图所示，注意红框位置。
对 requests 请求到的数据进行分析，发现在返回的代码中设置了 Cookie，该值进行反复测试之后，发现为固定值，后续直接通过 requests 参数 headers 设置即可。
获取到目标页面源码之后，就可以通过 lxml 进行页面提取操作了，在前文已经进行了简单的描述。重点学习的分为两个部分内容：
- 首先通过
lxml模块中的etree对象，将 HTML 源码进行序列化，即转化为 Element 对象； - 然后对
Element对象进行解析，这里用到的解析语法是 XPath，本文用到了路径解析，在完整代码部分有注释说明。
完整代码
import requests
from lxml import etree
from fake_useragent import UserAgent
import time
def save(src, title):
try:
res = requests.get(src)
with open(f"imgs/{title}.jpg", "wb+") as f:
f.write(res.content)
except Exception as e:
print(e)
def run(url):
# ua = UserAgent(cache=False)
ua = "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.85 Safari/537.36"
headers = {
"User-Agent": ua,
"Host": "www.19lou.com",
"Referer": "https://www.19lou.com/r/1/19lnsxq-233.html",
"Cookie": "_Z3nY0d4C_=37XgPK9h" # 从反爬代码中获取到的值
}
try:
res = requests.get(url=url, headers=headers)
text = res.text
# 将 html 转换成 Element 对象
html = etree.HTML(text)
# xpath 路径提取 @class 为选取 class 属性
divs = html.xpath("//div[@class='pics']")
# print(len(divs))
# 遍历 Elements 节点
for div in divs:
# 提取地址，注意提取的属性为 data-src 而不是 src
src = div.xpath("./img/@data-src")[0]
# 提取标题
title = div.xpath("./img/@alt")[0]
save(src, title)
except Exception as e:
print(e)
if __name__ == '__main__':
urls = ["https://www.19lou.com/r/1/19lnsxq.html"]
for i in range(114, 243):
urls.append(f"https://www.19lou.com/r/1/19lnsxq-{i}.html")
for url in urls:
print(f"正在抓取{url}")
run(url)
# time.sleep(5)
print("全部爬取完毕")
为了提高效率，你可以取消 5 秒等待，也可以采用多线程，不过尝试几秒钟就好了，不要过度抓取哦，毕竟咱们只为学习。
上述代码还存在一个重要知识点，在获取到的源码中图片的 src 属性为 dot.gif（加载图片），data-src 属性存在值。
具体对比如下图所示，上图为直接查看页面源码，下图为服务器直接返回源码。
这部分给我们的爬取提示为，任何数据的解析提取，都要依据服务器直接返回的源码。
抓取结果展示时间
爬虫 120 例，第 11 例完成，希望本篇博客能带给你不一样的惊喜与知识。相关资料可以在下面直接获取。
完整代码下载地址：https://codechina.csdn.net/hihell/python120，NO11。
以下是爬取过程中产生的各种学习数据，如果只需要数据，可去下载频道下载~。
爬取资源仅供学习使用，侵权删。
抽奖时间
上篇博客获奖的朋友 ID 为 m0_59785054，抓紧联系橡皮哦。
评论数过 100，随机抽取一名幸运读者，
获取 29.9 元《Python 游戏世界》专栏 1 折购买券一份，只需 2.99 元。
今天是持续写作的第 174 / 200 天。可以关注我，点赞我、评论我、收藏我啦。
相关阅读