不会吧，学过爬虫连这个网站都爬不了？那Python岂不是白学了

news/2024/5/20 22:48:24/文章来源:https://blog.csdn.net/m0_59236602/article/details/123112885

本文内容

系统分析目标网页
html标签数据解析方法
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
time 时间模块记录运行时间

通用爬虫

导入模块

import requests  # 数据请求模块 第三方模块 pip install requests
import parsel  # 数据解析模块 第三方模块 pip install parsel
import re  # 正则表达式模块

请求数据

url = f'https://fabiaoqing.com/biaoqing/lists/page/{page}html'
headers \= {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36'
}
response \= requests.get(url=url, headers=headers)
# <Response \[200\]> response 对象 200状态码 表示请求成功

解析数据

解析速度 bs4 解析速度会慢一些，如果你想要对于字符串数据内容，直接取值，只能正则表达式

selector = parsel.Selector(response.text) # 把获取下来html字符串数据内容 转成 selector 对象
title\_list = selector.css('.ui.image.lazy::attr(title)').getall()
img\_list \= selector.css('.ui.image.lazy::attr(data-original)').getall()
# 把获取下来的这两个列表 提取里面元素 一一提取出来
# 提取列表元素 for循环 遍历
for title, img\_url in zip(title\_list, img\_list):title \= re.sub(r'\[\\/:\*?"<>|\\n\]', '\_', title)# 名字太长 报错img\_name = img\_url.split('.')\[-1\]   # 通过split() 字符串分割的方法 根据列表索引位置取值img\_content = requests.get(url=img\_url).content # 获取图片的二进制数据内容

保存数据

with open('img\\\\' + title + '.' + img\_name, mode='wb') as f:f.write(img\_content)
print(title)

共耗时：61秒

多线程爬虫

发送求情

def get\_response(html\_url):headers \= {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36'}response \= requests.get(url=html\_url, headers=headers)return response

获取图片url地址，以及图片名字

def get\_img\_info(html\_url):response \= get\_response(html\_url)selector \= parsel.Selector(response.text)  # 把获取下来html字符串数据内容 转成 selector 对象title\_list = selector.css('.ui.image.lazy::attr(title)').getall()img\_list \= selector.css('.ui.image.lazy::attr(data-original)').getall()zip\_data \= zip(title\_list, img\_list)return zip\_data

保存数据

def save(title, img\_url):title \= re.sub(r'\[\\/:\*?"<>|\\n\]', '\_', title)# 名字太长 报错img\_name = img\_url.split('.')\[-1\]  # 通过split() 字符串分割的方法 根据列表索引位置取值img\_content = requests.get(url=img\_url).content  # 获取图片的二进制数据内容with open('img\\\\' + title + '.' + img\_name, mode='wb') as f:f.write(img\_content)print(title)

主函数

def main(html\_url):zip\_data \= get\_img\_info(html\_url)for title, img\_url in zip\_data:save(title, img\_url)

入口

if \_\_name\_\_ == '\_\_main\_\_':start\_time \= time.time()exe \= concurrent.futures.ThreadPoolExecutor(max\_workers=10)for page in range(1, 11):url \= f'https://fabiaoqing.com/biaoqing/lists/page/{page}html'exe.submit(main, url)exe.shutdown()end\_time \= time.time()use\_time \= int(end\_time - start\_time)print('程序耗时: ', use\_time)