爬取美女图片保存本地与入MySQL库
AI-摘要
九陌斋 GPT
AI初始化中...
介绍自己
生成本文简介
推荐相关文章
前往主页
前往tianli博客
本文详细记录如何爬取美女图片，并将图片下载保存在本地，同时将图片url进行入库。保存在本地肯定是为了没事能拿出来养养眼啊，那入库就是为了定位图片啊，要懂点技术的话，还能搬运搬运做个小图片网站，不为别的，就是养眼和学习！
本文主要讲思路和方法，源码、数据库、图片文件获取方式见文末！
- 先看效果
解析目标网址
大家看上面的截图肯定就发现了，这网址不寻常（手动狗头），现在这些网站国内都很难活的，网站就不贴出来了。
查看网站情况
查看首页可以基本确定数据加载方式，是分页加载的方式
确定分页加载方式
一般就是两种加载方式，一种是直接改变url，就想旧版的微博，就是直接改变url请求新的网页即可，另一种就是ajax，一般涉及到ajax就比较麻烦，可能有token啥的，不过技术而言，都比较简单，请求就完事。
再看本网站，点击加载更多后，浏览器的url并没有改变，说明就是ajax，那么直接F12打开控制台，调到网络栏，清空信息
再点击加载更多，我们想要的东西就有了。
解析分页请求
双击我们抓到的包，查看包的请求网址、请求方法、载荷、响应
-
请求网址
即为我们发送请求的地址；
-
请求方法
我们发送请求要用到的方法，很重要，后面写代码就要根据这个来，方法错了请求不到数据；
-
载荷
查看请求的时候给服务器传递了哪些数据，也很重要，取不取得到正确我们想要的数据就完全看这个内容了；
-
响应
响应的内容就是我们需要的数据，进一步解析就能获得的数据了。
到这里就还没解决一个问题，这个问题就是载荷字段的解析，如上可以发现就是四个字段：id、action、type、paged，其实每个字段都比较好理解，不出意外的话，前三个字段就是死的，主要就是paged字段了，为了验证猜测，再请求一下，查看两个包载荷的不同之处就好了。方法一样，这里就不演示了。事实也证明了我们的猜测，改变paged字段就好。
查看网页结构
继续F12，查看元素，就能发现是一个又一个的li标签了，每个li可以点击进入到对应主题的图片详情界面，得到了这个信息就简单了，就很好获取详情页的url了。
但是页面url没变，不可能通过首页这一个url就能获取到全站的内容，所以还得看看上一步抓的包，如下。
是不是和想象中的不一样，这里是直接请求的网页代码而不是数据，那对于我们来说就更简单了，全文用一种url提取方法就好，将data下的html字段转为html对象就行。
图片详情页
前面说那么多，也都是再讲如何提取每个主题的详情url，具体的图片获取还得是进入详情页啊；
点进来看看，进来一看，发现就是一个一个img标签，那更好了，直接提取图片url就好啊。
但是！！！竟然要VIP，细心的小伙伴应该和我一样，并没有慌啊，为什么呢，看下文
解除VIP限制
确切来说是绕开限制,也就是针对本网站有效，属于是瞎猫碰上死耗子。
回到主题，为什么发现有限制的时候不慌呢，大家在看看图片详情页的网页元素，是不是发现了一些猫腻，所有的图片url，就那一点点地方不一样啊，那我们还爬什么网页，直接构造图片url不就得了。
构造图片url
- 思路
看上面的不同之处，就大致知道每个主题下的图片url规律了，那我们知道第一张图片的url后，构建后面图片的url就好嘛，至于构建到多少，首页和详情页都有，如下，构建这么多就好啦！
- 方法
思路很简单，但是构建肯定没那么简单，要确定数字变化的位置、数字的位数、提取数字部分、进行计算、拼接字符串…多看一下网站，会发现这些图片url并不是最后那个数据不一样，并不规则。
但是也不难，就是麻烦点，那就是获取两个url，进行url对比，先提取两个字符串的数字部分形成一个数组，然后对比两个数组中不同的部分，如果不同，获取其下标，根据下标获取到url中那个数字字符串，根据数字字符串进行url分割，再计算和拼接，说的有点泛泛，具体的看代码，此方法还有bug，大家可以再研究一下。
img_id_list1 = re.findall(r"\d+\d*",url1)
img_id_list2 = re.findall(r"\d+\d*", url2)
index = 0
for i in range(len(img_id_list1)):
if(img_id_list1[i] != img_id_list2[i]):
index = i
break
img_id = img_id_list1[index] #图片末尾标识
img_url_pre = url1.split(img_id)[0] # 提取分割后的前半部分
img_url_end = url1.split(img_id)[1] # 提取分割后的后半部分
for i in tqdm(range(img_num)):
img_id_int = int(img_id) # 提取的数字字符串转为int型
img_id_len = len(img_id) # 提取的数字字符串长度
img_id_main_int = img_id_int + i # 数字+1
img_id_main_int_len = len(str(img_id_main_int)) # 加1后长度
img_id_use = '0'*(img_id_len-img_id_main_int_len) + str(img_id_main_int) # 补0
imgurl = img_url_pre+img_id_use+img_url_end # 得到图片url
请求主题url与基本信息
很简单，利用request包发送请求，利用JSON包解析得到的数据，再利用lxml模块进行url获取就好啦！部分代码如下，不能直接用哦，断断续续的：
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36'
}
def img_get(page):
start_url = 'https://XXXXXX/admin-ajax.php'
data = {
'id': 0,
'action': 'postlist_newajax',
'type': 'index',
'paged': page
}
import json
try:
response = requests.post(start_url, headers=headers, data=data)
# 序列化成json字符串
json = json.loads(response.text)
if (json['success'] == 'ok'):
# 请求到的html
# print (json['data']['html'])
html = etree.HTML(json['data']['html'], parser=etree.HTMLParser(encoding='utf-8'))
# a标签
a_rr = html.xpath('//a[@target="_blank"]')
a_re = '<a href="(.*?)"'
# 多少张图片
img_num = html.xpath('//div[@class="postlist-imagenum"]/span')
# 标题
img_file_title = html.xpath('//div[@class="case_info"]/a')
获取图片url
同样的办法，不过要先获取到前两张图片url，方法如上，xpath获取就行。代码如下，也不能直接用哦：
response = urllib.request.urlopen(a_href[0]).read().decode("utf-8", "ignore")
img_data = etree.HTML(response) # 转换格式，构造解析对象
img_src1 = img_data.xpath('//*[@id="image_div"]/img[1]/@src') # 进行匹配,提取出来的内容不是列表
if (str(type(img_src1)) == "<class 'list'>"):
pass
else:
img_src1 = [i for i in img_src1]
img_src2 = img_data.xpath('//*[@id="image_div"]/img[2]/@src') # 进行匹配,提取出来的内容不是列表
if (str(type(img_src2)) == "<class 'list'>"):
pass
else:
img_src2 = [i for i in img_src2]
# print("此页第一张图片链接：",img_src1[0])
# print("此页第二张图片链接：", img_src2[0])
保存到本地
方法很简单，代码如下(本示例代码是单独的保存图片代码)：
# -*- coding: utf-8 -*-
# @Time: 2022/11/3 15:08
# @Author: MinChess
# @File: save_pic.py
# @Software:
import os
import datetime
import urllib.request
# 创建目录，并返回该目录
def make_dir(path):
# 去除左右两边的空格
path = path.strip()
# 判断该文件是否存在，不存在才创建，存在则跳过
if not os.path.exists(path):
os.makedirs(path)
return path
# 图片保存地址
save_img_path = 'D:\program files\Pytest\Spider\图片获取\pic\\'
path = make_dir(save_img_path)
# 命名图片
filename = path + datetime.datetime.now().strftime('%Y%m%d%H%M%S%f') + '.jpg'
# 打开文件
f = open(filename, 'wb')
# 请求图片
req = urllib.request.urlopen('https://file.minchess.top/halo/Group-screen.png')
# 解析请求
buf = req.read()
# 写入图片
f.write(buf)
写入数据库
也很简单，建好库，连接后根据字段写好语句就行，主要用到的包是pymysql，代码如下：
def mysql_db(route,url,info,name):
conn = pymysql.connect(
host="127.0.0.1",
database="picture",
user="root",
password="root"
)
try:
with conn.cursor() as cursor:
sql = "insert into sn (route,url,info,name) values ('"+route+"','"+url+"','"+info+"','"+name+"')"
cursor.execute(sql)
conn.commit()
except Exception as e:
conn.rollback()
print("数据库操作异常：\n", e)
finally:
conn.close()
源码
# -*- coding: utf-8 -*-
# @Time : 2022/11/10 0:35
# @Author : MinChess
# @File : sn_main.py
# @Software: PyCharm
import sys
from tqdm import tqdm
import requests
from lxml import etree
import urllib
import re
import os
import pymysql
import datetime
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36'
}
def img_get(page):
start_url = 'https://xxxxxx/wp-admin/admin-ajax.php'
data = {
'id': 0,
'action': 'postlist_newajax',
'type': 'index',
'paged': page
}
import json
try:
response = requests.post(start_url, headers=headers, data=data)
# 序列化成json字符串
json = json.loads(response.text)
if (json['success'] == 'ok'):
# 请求到的html
# print (json['data']['html'])
html = etree.HTML(json['data']['html'], parser=etree.HTMLParser(encoding='utf-8'))
# a标签
a_rr = html.xpath('//a[@target="_blank"]')
a_re = '<a href="(.*?)"'
# 多少张图片
img_num = html.xpath('//div[@class="postlist-imagenum"]/span')
# 标题
img_file_title = html.xpath('//div[@class="case_info"]/a')
for i in range(len(img_num)):
if(page==1 and i==0):
print('第一个没用')
else:
# print(img_file_title[i].text.replace(' ', ''), "主题下有： ", img_num[i].text, " 张图片")
a_res = etree.tostring(a_rr[i], encoding='utf-8').strip().decode('utf-8')
a_href = re.findall(a_re, a_res)
# 打印获取到的链接
# print(a_href[0])
response = urllib.request.urlopen(a_href[0]).read().decode("utf-8", "ignore")
img_data = etree.HTML(response) # 转换格式，构造解析对象
img_src1 = img_data.xpath('//*[@id="image_div"]/img[1]/@src') # 进行匹配,提取出来的内容不是列表
if (str(type(img_src1)) == "<class 'list'>"):
pass
else:
img_src1 = [i for i in img_src1]
img_src2 = img_data.xpath('//*[@id="image_div"]/img[2]/@src') # 进行匹配,提取出来的内容不是列表
if (str(type(img_src2)) == "<class 'list'>"):
pass
else:
img_src2 = [i for i in img_src2]
# print("此页第一张图片链接：",img_src1[0])
# print("此页第二张图片链接：", img_src2[0])
img_url_build(img_src1[0],img_src2[0], int(img_num[i].text), img_file_title[i].text.replace(' ', ''), page, i + 1)
else:
print(json['success'])
sys.exit()
except Exception as e:
print(e)
def img_url_build(url1,url2,img_num,name,page,themeid):
img_id_list1 = re.findall(r"\d+\d*",url1)
img_id_list2 = re.findall(r"\d+\d*", url2)
index = 0
for i in range(len(img_id_list1)):
if(img_id_list1[i] != img_id_list2[i]):
index = i
break
img_id = img_id_list1[index] #图片末尾标识
img_url_pre = url1.split(img_id)[0] # 提取分割后的前半部分
img_url_end = url1.split(img_id)[1] # 提取分割后的后半部分
path = 'G:\snly2' + "\\" + 'sn\\'
img_path = make_dir(path)
print("开始写入第",page,"页的第",str(themeid)+'/20',"个主题下的图片","图片主题："+name)
for i in tqdm(range(img_num)):
img_id_int = int(img_id)
img_id_len = len(img_id)
img_id_main_int = img_id_int + i
img_id_main_int_len = len(str(img_id_main_int))
img_id_use = '0'*(img_id_len-img_id_main_int_len) + str(img_id_main_int)
imgurl = img_url_pre+img_id_use+img_url_end # 图片url
filename = datetime.datetime.now().strftime('%Y%m%d%H%M%S%f') + '.jpg' #图片名
imgpath = img_path + filename
save(imgurl,imgpath,name,filename)
def save(url,img_path,name,filename):
route = '\\' + '\\' + 'sn\\' + '\\' + filename
try:
req = urllib.request.urlopen(url)
mysql_db(route,url, name, filename)
# 解析请求
buf = req.read()
# 打开文件
f = open(img_path, 'wb')
# 写入图片
f.write(buf)
except Exception as e:
print(e)
# 创建目录，并返回该目录
def make_dir(path):
# 去除左右两边的空格
path = path.strip()
# 判断该文件是否存在，不存在才创建，存在则跳过
if not os.path.exists(path):
os.makedirs(path)
return path
def mysql_db(route,url,info,name):
conn = pymysql.connect(
host="127.0.0.1",
database="picture",
user="root",
password="root"
)
try:
with conn.cursor() as cursor:
sql = "insert into sn (route,url,info,name) values ('"+route+"','"+url+"','"+info+"','"+name+"')"
cursor.execute(sql)
conn.commit()
except Exception as e:
conn.rollback()
print("数据库操作异常：\n", e)
finally:
conn.close()
if __name__ == '__main__':
page = 88
while True:
print("====="*10,"第",page,"页","====="*10)
img_get(page)
page = page + 1
有问题就留言噢！
- 感谢你赐予我前进的力量
-
微信 
支付宝
赞赏者名单
因为你们的支持让我意识到写文章的价值🙏
本文是原创文章，采用 CC BY-NC-ND 4.0 协议，完整转载请注明来自 九陌斋
评论
隐私政策
你无需删除空行，直接评论以获取最佳展示效果