前言

为了更好的掌握数据处理的能力，因而开启Python网络爬虫系列小项目文章。

小项目小需求驱动，每篇文章会使用两种以上的方式（Xpth、Bs4、PyQuery、正则）获取想要的数据。
博客系列完结后，将会总结各种方式。

一、需求

批量爬取4k类型的图片
下载到各类文件夹中

二、分析

在这里插入图片描述

1、Ctrl+U 查看网页源代码

$$$$ $4 k 各类型主页 U R L$ $$$$
在这里插入图片描述

$$$$ $4 k 各类型图片 U R L$ $$$$

在这里插入图片描述

2、进一步分析

获取各类型url，拼接主页url地址
请求各类型url，获取具体4k图片下载地址
访问4k图片下载地址下载资源

三、处理

Bs4 +正则处理

通过page.find_all(“div”, attrs={“class”:“nav-m clearfix tran”}) 找到该类属性的div
发现数据堆在一条中，利用正则获取url、title（通用方法.*?）

def get_4k_url(source_code):
    # 初始化bs4
    page = BeautifulSoup(source_code,"html.parser")
    info_4k = page.find_all("div", attrs={"class":"nav-m clearfix tran"})
    # 利用正则获取相关信息
    process = re.compile(r'<a href="(?P<url>.*?)" .*?>(?P<title>.*?)</a>',re.S)
    # 将html转为字符串
    result = process.finditer(str(info_4k))
    # 定义字典进行存储
    pic_dict = {}
    for img in result:
        title = img.group("title")
        url = img.group("url")
        if url.startswith("/"):
            pic_dict[title] = f"{INDEX_URL}{url}"
    return pic_dict

这里4k手机壁纸的类属性不一样，做了个判定处理
通过Select选择器定位到a标签获取src属性值

def get_img_url(url):
    # 获取网页源代码
    source_code = process_index(url)
    # 初始化bs4
    page = BeautifulSoup(source_code, "html.parser")
    # 处理部分特殊（4k手机壁纸）
    if url == "http://pic.netbian.com/shoujibizhi/":
        info_4k_a = page.select(".alist > ul > li > a")
    else:
        info_4k_a = page.select(".slist > ul > li > a")
    url_list = []
    for a in info_4k_a:
        # 获取url
        url = a.find("img")["src"]
        url_list.append(f"{INDEX_URL}{url}")
    return url_list

PyQuery+正则处理

直接定位.nav-m 类属性
发现数据堆在一条中，利用正则获取url、title（通用方法.*?）

def get_4k_url(source_code):
    doc = pq(source_code)
    info_4k = doc(".nav-m")
    # 利用正则获取相关信息
    process = re.compile(r'<a href="(?P<url>.*?)" .*?>(?P<title>.*?)</a>',re.S)
    # 将html转为字符串
    result = process.finditer(str(info_4k))
    # 定义字典进行存储
    pic_dict = {}
    for img in result:
        title = img.group("title")
        url = img.group("url")
        if url.startswith("/"):
            pic_dict[title] = f"{INDEX_URL}{url}"
    return pic_dict

这里4k手机壁纸的类属性不一样，做了个判定处理
通过点位.slist/.alist 属性,再其定位li标签，获取img中的src

def get_img_url(url):
    # 返回每一4k类型具体图片url
    code = process_index(url)
    doc = pq(code)
    # 处理部分特殊（4k手机壁纸）
    if url == "http://pic.netbian.com/shoujibizhi/":
        ul = doc(".alist li")
    else:
        ul = doc(".slist li")
    # 获取url
    url_list = []
    for li in ul.items():
        url = li("img").attr("src")
        url_list.append(f"{INDEX_URL}{url}")
    return url_list