[Python知识库] 【python】这么**得小姐姐网~不敢赶紧采集一波~免得它没了

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> Python知识库 -> 【python】这么**得小姐姐网~不敢赶紧采集一波~免得它没了 -> 正文阅读

[Python知识库]【python】这么**得小姐姐网~不敢赶紧采集一波~免得它没了

前言

大家早好、午好、晚好吖~

今天我们来采集一下这个小姐姐网~

环境使用:

Python 3.8 解释器
Pycharm 编辑器
import re
import requests >>> pip install requests

如果安装python第三方模块:

win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车
在pycharm中点击Terminal(终端) 输入安装命令

如何配置pycharm里面的python解释器?

选择file(文件) >>> setting(设置) >>> Project(项目) >>> python interpreter(python解释器)
点击齿轮, 选择add
添加python安装路径

pycharm如何安装插件?

选择file(文件) >>> setting(设置) >>> Plugins(插件)
点击 Marketplace 输入想要安装的插件名字比如:翻译插件输入 translation / 汉化插件输入 Chinese
选择相应的插件点击 install(安装) 即可
安装成功之后是会弹出重启pycharm的选项点击确定, 重启即可生效

源码、教程点击蓝色字体自取，我都放在这里了。

python实现案例: 批量数据采集/下载 <有方法通用>

一. 数据来源分析

明确需求, 我们采集网上什么数据内容, 在什么地方

分析我们想要高清原图在什么地方有
浏览器自带工具: 开发者工具 F12
- 鼠标右键点击插件选择 network 刷新网页
- 点击选择 Img 可以直接找到图片地址
继续分析, 图片链接是从哪里来的
- 通过搜索分析, 可以知道, 我们想要图片原图url 就在图片详情页网页源代码里面

二. 代码实现步骤:

发送请求, 模拟浏览器对于图片目录页面发送请求
获取数据, 获取服务器返回响应数据
开发者工具 response
解析数据, 提取我们想要数据内容
图片详情页url地址
发送请求, 模拟浏览器对于图片详情页url 发送请求
获取数据, 获取服务器返回响应数据
开发者工具 response
解析数据, 提取我们想要数据内容
图片原图高清url地址, 以及标题
保存数据, 把图片保存文本文件夹

代码

# 导入数据请求模块 --> 第三方模块, 需要 pip install requests   不会 0  会 1
import requests
# 导入正则模块  内置模块 不需要安装的
import re

“”"
1. 发送请求, 模拟浏览器对于图片目录页面url 发送请求

python代码如何模拟浏览器?

使用headers 请求头

实现多页数据采集:

分析请求url地址变化规律 --> 分析图片目录页面url地址变化规律

每个网站数据结构是不一样, 数据来源也不一样, 但是分析数据来源思路和代码实现步骤过程差不多的

“”"

for page in range(1, 5):
    # 字符串格式化方法: 把page传入到字符串当中
    print(f'=================正在采集第{page}页的数据内容=================')

确定请求链接

有网站名得链接发出来就不给过拉~宝子们自己按照下面得图添加一下哦

或点击蓝色字体自取，我都放在这里了。

    # 模拟浏览器 --> headers 请求头
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'
    }
    # 发送请求
    response = requests.get(url=url, headers=headers)

<Response [200]> 表示请求成功

“”"

获取数据, 获取服务器返回响应数据

开发者工具 response

response.text 获取响应文本数据
response.json() 获取响应json字典数据 <一定要完整json数据, 否则就会报错>

解析数据, 提取我们想要数据内容

图片详情页url地址

re.findall(‘匹配什么数据’, ‘什么地方’) 调用re模块里面findall 去找到匹配数据: 找到所有我们想要数据内容

从什么地方去匹配查询什么数据

从 response.text 去匹配 <li><a target="_blank" href="(.*?)" alt="(.*?)" title=".*?"> 其中 (.*?) 就是我们想要的数据

() 表示精确匹配: 我们要的内容
没有括号泛匹配不要的内容
.*? 通配符元字符 . 表示匹配任意字符<除了换行符\n以外> * 匹配前一个字符0或者无限个 ? 非贪婪匹配模式

“”"

提取详情页url地址

    img_info = re.findall('<li><a target="_blank" href="(.*?)" alt="(.*?)" title=".*?">', response.text)
    # for循环遍历 把列表里面元素 一个一个提取出来
    for img, title in img_info:

img: 图片详情页url地址

title: 图片标题

“”"

4. 发送请求, 模拟浏览器对于图片详情页url 发送请求

5. 获取数据, 获取服务器返回响应数据

开发者工具 response

6. 解析数据, 提取我们想要数据内容

图片原图高清url地址, 以及标题

[0] 列表索引取值提取第一个元素

“”"

        # 发送请求 获取响应文本数据
        html_data = requests.get(url=img, headers=headers).text
        # 提取原图url地址
        img_url = re.findall('<img alt=".*?" title=".*?" src="(.*?)">', html_data)[0]

“”"

7. 保存数据, 把图片保存文本文件夹

发送请求, 获取数据内容
response.content 获取响应二进制数据 <图片/视频/音频/特定格式文件…>

如果图片名字一样的话, 会覆盖掉

split() 字符串分割返回列表
[-1] 列表索引取值, 提取最后一个元素
title + img_url.split('/')[-1] 字符串拼接

“”"

        # 获取二进制数据
        img_content = requests.get(url=img_url).content
        # 替换特殊字符
        img_title = title + img_url.split('/')[-1]
        img_title = re.sub(r'[\/:*?:<>|]', '_', img_title)
        with open('img漫画\\' + img_title, mode='wb') as f:
            f.write(img_content)
        print(img_url, img_title)