只用50行Python代码爬取网络美女高清图片

一、技术路线

requests：网页请求
BeautifulSoup：解析html网页
re：正则表达式，提取html网页信息
os：保存文件

import re
import requests
import os
from bs4 import BeautifulSoup

二、获取网页信息

常规操作，获取网页信息的固定格式，返回的字符串格式的网页内容，其中headers参数可模拟人为的操作，‘欺骗\’网站不被发现

def getHtml(url):  #固定格式，获取html内容
    headers = {
        \'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36\'
    }  #模拟用户操作
    try:
        r = requests.get(url, headers=headers)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        print(\'网络状态错误\')

三、网页爬取分析

右键单击图片区域，选择 ‘审查元素\’ ,可以查看当前网页图片详情链接，我就满心欢喜的复制链接打开保存，看看效果，结果一张图片只有60几kb，这就是缩略图啊，不清晰，果断舍弃。。。

没有办法，只有点击找到详情页链接，再进行单独爬取。

空白右键，‘查看页面源代码\’，把刚刚复制的缩略图链接复制查找快速定位，分析所有图片详情页链接存在div标签，并且class=‘list\’ 唯一，因此可以使用BeautifulSoup提取此标签。并且发现图片详情页链接在herf=后面（同时我们注意到有部分无效链接也在div标签中，观察它们异同，发现无效链接存在\’https\’字样，因此可在代码中依据此排出无效链接，对应第4条中的函数代码），只需提取出来再在前面加上网页首页链接即可打开，并且右键图片，‘审查元素\’，复制链接下载的图片接近1M，表示是高清图片了，到这一步我们只需调用下载保存函数即可保存图片

四、网页详情页链接获取

根据第3条分析的情况，首要目标是将每页的每个图片的详情页链接给爬取下来，为后续的高清图片爬取做准备，这里直接定义函数def getUrlList(url):

def getUrlList(url):  # 获取图片链接
    url_list = []  #存储每张图片的url，用于后续内容爬取
    demo = getHtml(url)
    soup = BeautifulSoup(demo,\'html.parser\')
    sp = soup.find_all(\'div\', class_=\"list\") #class=\'list\'在全文唯一，因此作为锚，获取唯一的div标签；注意，这里的网页源代码是class，但是python为了和class（类）做区分，在最后面添加了_
    nls = re.findall(r\'a href=\"(.*?)\" rel=\"external nofollow\"  rel=\"external nofollow\" \', str(sp)) #用正则表达式提取链接
    for i in nls:
        if \'https\' in i: #因所有无效链接中均含有\'https\'字符串，因此直接剔除无效链接（对应第3条的分析）
            continue
        url_list.append(\'http://www.netbian.com\' + i) #在获取的链接中添加前缀，形成完整的有效链接
    return url_list

五、依据图片链接保存图片

同理，在第4条中获取了每个图片的详情页链接后，打开，右键图片\’审查元素\’，复制链接即可快速定位，然后保存图片

def fillPic(url,page):
    pic_url = getUrlList(url) #调用函数，获取当前页的所有图片详情页链接
    path = \'./美女\'  # 保存路径
    for p in range(len(pic_url)):
        pic = getHtml(pic_url[p])
        soup = BeautifulSoup(pic, \'html.parser\')
        psoup = soup.find(\'div\', class_=\"pic\") #class_=\"pic\"作为锚，获取唯一div标签；注意，这里的网页源代码是class，但是python为了和class（类）做区分，在最后面添加了_
        picUrl = re.findall(r\'src=\"(.*?)\"\', str(psoup))[0] #利用正则表达式获取详情图片链接，因为这里返回的是列表形式，所以取第一个元素（只有一个元素，就不用遍历的方式了）
        pic = requests.get(picUrl).content #打开图片链接，并以二进制形式返回（图片，声音，视频等要以二进制形式打开）
        image_name =\'美女\' + \'第{}页\'.format(page) + str(p+1) + \'.jpg\' #给图片预定名字
        image_path = path + \'/\' + image_name #定义图片保存的地址
        with open(image_path, \'wb\') as f: #保存图片
            f.write(pic)
            print(image_name, \'下载完毕！！！\')

六、main()函数

经过前面的主体框架搭建完毕之后，对整个程序做一个前置化，直接上代码

在这里第1页的链接是http://www.netbian.com/meinv/

第2页的链接是http://www.netbian.com/meinv/index_2.htm

并且后续页面是在第2页的基础上仅改变最后的数字，因此在写代码的时候要注意区分第1页和后续页面的链接，分别做处理；同时在main()函数还增加了自定义爬取页数的功能，详见代码

def main():
    n = input(\'请输入要爬取的页数：\')
    url = \'http://www.netbian.com/meinv/\'  # 资源的首页，可根据自己的需求查看不同分类，自定义改变目录，爬取相应资源
    if not os.path.exists(\'./美女\'):  # 如果不存在，创建文件目录
        os.mkdir(\'./美女/\')
    page = 1
    fillPic(url, page)  # 爬取第一页，因为第1页和后续页的链接的区别，单独处理第一页的爬取
    if int(n) >= 2: #爬取第2页之后的资源
        ls = list(range(2, 1 + int(n)))
        url = \'http://www.netbian.com/meinv/\'
        for i in ls: #用遍历的方法对输入的需求爬取的页面做分别爬取处理
            page = str(i)
            url_page = \'http://www.netbian.com/meinv/\'
            url_page += \'index_\' + page + \'.htm\' #获取第2页后的每页的详情链接
            fillPic(url, page) #调用fillPic()函数

七、完整代码

最后再调用main()，输入需要爬取的页数，即可开始爬取，完整代码如下

import re
import requests
import os
from bs4 import BeautifulSoup

def getHtml(url):  #固定格式，获取html内容
    headers = {
        \'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36\'
    }  #模拟用户操作
    try:
        r = requests.get(url, headers=headers)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        print(\'网络状态错误\')

def getUrlList(url):  # 获取图片链接
    url_list = []  #存储每张图片的url，用于后续内容爬取
    demo = getHtml(url)
    soup = BeautifulSoup(demo,\'html.parser\')
    sp = soup.find_all(\'div\', class_=\"list\") #class=\'list\'在全文唯一，因此作为锚，获取唯一的div标签；注意，这里的网页源代码是class，但是python为了和class（类）做区分，在最后面添加了_
    nls = re.findall(r\'a href=\"(.*?)\" rel=\"external nofollow\"  rel=\"external nofollow\" \', str(sp)) #用正则表达式提取链接
    for i in nls:
        if \'https\' in i: #因所有无效链接中均含有\'https\'字符串，因此直接剔除无效链接（对应第3条的分析）
            continue
        url_list.append(\'http://www.netbian.com\' + i) #在获取的链接中添加前缀，形成完整的有效链接
    return url_list

def fillPic(url,page):
    pic_url = getUrlList(url) #调用函数，获取当前页的所有图片详情页链接
    path = \'./美女\'  # 保存路径
    for p in range(len(pic_url)):
        pic = getHtml(pic_url[p])
        soup = BeautifulSoup(pic, \'html.parser\')
        psoup = soup.find(\'div\', class_=\"pic\") #class_=\"pic\"作为锚，获取唯一div标签；注意，这里的网页源代码是class，但是python为了和class（类）做区分，在最后面添加了_
        picUrl = re.findall(r\'src=\"(.*?)\"\', str(psoup))[0] #利用正则表达式获取详情图片链接，因为这里返回的是列表形式，所以取第一个元素（只有一个元素，就不用遍历的方式了）
        pic = requests.get(picUrl).content #打开图片链接，并以二进制形式返回（图片，声音，视频等要以二进制形式打开）
        image_name =\'美女\' + \'第{}页\'.format(page) + str(p+1) + \'.jpg\' #给图片预定名字
        image_path = path + \'/\' + image_name #定义图片保存的地址
        with open(image_path, \'wb\') as f: #保存图片
            f.write(pic)
            print(image_name, \'下载完毕！！！\')

def main():
    n = input(\'请输入要爬取的页数：\')
    url = \'http://www.netbian.com/meinv/\'  # 资源的首页，可根据自己的需求查看不同分类，自定义改变目录，爬取相应资源
    if not os.path.exists(\'./美女\'):  # 如果不存在，创建文件目录
        os.mkdir(\'./美女/\')
    page = 1
    fillPic(url, page)  # 爬取第一页，因为第1页和后续页的链接的区别，单独处理第一页的爬取
    if int(n) >= 2: #爬取第2页之后的资源
        ls = list(range(2, 1 + int(n)))
        url = \'http://www.netbian.com/meinv/\'
        for i in ls: #用遍历的方法对输入的需求爬取的页面做分别爬取处理
            page = str(i)
            url_page = \'http://www.netbian.com/meinv/\'
            url_page += \'index_\' + page + \'.htm\' #获取第2页后的每页的详情链接
            fillPic(url_page, page) #调用fillPic()函数

main()