[开发工具]【python实战】批量采集表情包，群里发表情你绝对独领风骚~

本次目的：

python爬取海量表情包

亮点：

1. 系统分析目标网页
2. html标签数据解析方法
3. 海量图片数据一键保存

环境介绍：

• python 3.8
• pycharm

模块使用:

• requests >>> pip install requests
• parsel >>> pip install parsel

相对应的安装包/安装教程/激活码/使用教程/学习资料/工具插件 可以点击领取

模块安装问题:

如果安装python第三方模块:

1. 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
2. 在pycharm中点击Terminal(终端) 输入安装命令

安装失败原因:

失败一:

pip 不是内部命令

解决方法:

设置环境变量

失败二:

出现大量报红 (read time out)

解决方法:

因为是网络链接超时, 需要切换镜像源
清华：https://pypi.tuna.tsinghua.edu.cn/simple
阿里云：http://mirrors.aliyun.com/pypi/simple/
中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/
华中理工大学：http://pypi.hustunique.com/
山东理工大学：http://pypi.sdutlinux.org/
豆瓣：http://pypi.douban.com/simple/
例如：pip3 install -i https://pypi.doubanio.com/simple/ 模块名

失败三:

cmd里面显示已经安装过了, 或者安装成功了, 但是在pycharm里面还是无法导入

解决方法:

可能安装了多个python版本 (anaconda 或者 python 安装一个即可) 卸载一个就好
或者你pycharm里面python解释器没有设置好

如何配置pycharm里面的python解释器?

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

pycharm如何安装插件?

1. 选择file(文件) >>> setting(设置) >>> Plugins(插件)
2. 点击 Marketplace 输入想要安装的插件名字 比如:翻译插件 输入 translation
3. 选择相应的插件点击 install(安装) 即可
4. 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

爬虫基本思路流程:

一. 数据来源分析

1. 确定要获取的内容 (确定需求)
   发表情网站的表情包图片
2. 通过开发者工具抓包分析 数据(图片url地址以及图片标题)来源
   可以知道发表情这个网站是静态网页, 我们想要的数据内容都是来自他网页源代码

二. 代码实现步骤:

1. 发送请求, 对于表情包列表页面发送请求
2. 获取数据, 获取服务器返回的数据内容(response响应体数据)
3. 解析数据, 提取我们想要数据内容 (图片url地址 以及 图片标题)
4. 保存数据, 把获取下来的内容保存本地的文件夹里面
5. 多页爬取, 根据请求url地址的变化规律

代码

导入模块

import requests  # 数据请求模块 第三方模块 pip install requests  安装好之后没有使用模块 灰色显示
import parsel # 数据解析模块 第三方模块 pip install parsel
import re # 正则表达式 内置模块 不需要安装

# 1. 发送请求
# 需要注意点: 确定请求url地址 请求方法 请求头参数(某些网站需要加cookie 或者 防盗链)
for page in range(12, 21):
    print(f'正在爬取第{page}页数据内容')
    url = f'https://fabiaoqing.com/biaoqing/lists/page/{page}.html'
    # headers 作用伪装python代码的   爬虫是模拟浏览器对于服务器发送请求
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.93 Safari/537.36'
    }
    response = requests.get(url=url, headers=headers)
    # 2. 获取数据, 获取服务器返回的数据内容(response响应体数据) response.text 获取响应体文本数据
    # 3. 解析数据 提取内容, 是要根据服务器返回的数据, 而不是看元素面板
    # print(response.text) # 得到的response.text  这个html字符串数据 直接提取字符串数据内容 需要用re正则表达式
    selector = parsel.Selector(response.text) # 把得到的字符串数据内容 转换成 selector 对象
    # css选择器 就是根据标签属性内容提取数据
    divs = selector.css('div.ui.segment.imghover div') # 获取所有div标签 返回对象
    for index in divs:
        # a::attr(title) 获取a标签里面 title 属性 数据 get() 获取第一个标签数据内容
        title = index.css('a::attr(title)').get()
        title = re.sub(r'[\/:*?"<>|\n]', '', title)
        img_url = index.css('img::attr(data-original)').get()
        # split 字符串分割的方法 列表[-1] 取最后一个元素 右边的第一个元素
        img_name = img_url.split('.')[-1]
        # response.content 获取二进制数据内容, 保存图片/视频/音频/特定格式的文件内容 都是以二进制数据保存
        img_content = requests.get(url=img_url, headers=headers).content
        with open('img\\' + title + '.' + img_name, mode='wb') as f:
            f.write(img_content)
            print(title, '保存成功')

多线程代码

import re
import time
import requests
import parsel
import concurrent.futures


def change_title(title):
    mode = re.compile(r'[\\\/\:\*\?\"\<\>\|\n]')
    new_title = re.sub(mode, '_', title)
    return new_title


def get_response(html_url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36',
    }
    response = requests.get(url=html_url, headers=headers)
    return response


def save(name, title, img_url):
    img_content = get_response(img_url).content
    with open('img\\' + title + '.' + name, mode='wb') as f:
        f.write(img_content)
        print('正在保存：', title)


def main(html_url):
    html_data = get_response(html_url).text
    selector = parsel.Selector(html_data)
    divs = selector.css('#container div.tagbqppdiv')
    for div in divs:
        title = div.css('img::attr(title)').get()
        img_url = div.css('img::attr(data-original)').get()
        name = img_url.split('.')[-1]
        new_title = change_title(title)
        if len(new_title) > 255:
            new_title = new_title[:10]
            save(name, new_title, img_url)
        else:
            save(name, new_title, img_url)


if __name__ == '__main__':
    start_time = time.time()
    exe = concurrent.futures.ThreadPoolExecutor(max_workers=7)
    for page in range(1, 201):
        url = f'https://www.fabiaoqing.com/biaoqing/lists/page/{page}.html'
        exe.submit(main, url)
    exe.shutdown()
    use_time = int(time.time()) - int(start_time)
    print(f'总计耗时：{use_time}秒')