对 Python 爬虫编写者充满诱惑的网站,《可爱图片网》, 瞧人这网站名字起的

梦想橡皮擦

关注

发布于: 4 小时前

这网站名字绝了，当擦哥看到的那一瞬间，我估计他就准备好爬虫代码了。

可爱图片网双线程爬取

这篇博客要对 Python 爬虫进行提速了，实现双线程爬虫。而且在爬取过程中，还有意外收货。

爬取目标分析

爬取目标

可爱图片网 https://www.keaitupian.net/
图片分类非常丰富，想要抓取的都有，例如可爱女生，性感美女，不过为了更好的学习技术，我决定只抓卡通动漫分类图片，其它的留给各位大佬读者了。

使用的 Python 模块

本次使用 requests，re，threading。
新增加线程并行模块 threading。

重点学习内容

爬虫基本套路；
不确定页码数据爬取；
固定线程数爬虫。

列表页与详情页分析

列表页抓取卡通动漫图片，故列表页为 https://www.keaitupian.net/dongman/，点击多个页码，可得到如下规则：
https://www.keaitupian.net/dongman/list-1.html
https://www.keaitupian.net/dongman/list-2.html
https://www.keaitupian.net/dongman/list-{不定页码}.html

由于列表总页数无法直接获取到，顾使用大数测试，当输入 https://www.keaitupian.net/dongman/list-110.html 时，页面展示为不存在，如下图所示。

实际测试之后，得到该分类下列表页存在 77 页。

点击任意图片详情页，查看图片页具体内容，发现详情页也存在翻页，而且该翻页可以在列表页之间跳转，例如下图翻页到 9/9 之后，可进入到下一套图中。因此可以直接针对详情页进行数据抓取。

获取列表第 77 页最后一组照片，查看最后一组照片翻页数据代码，发现最后向右侧翻页代码为空，即无法翻页。

最后一页数据查看：https://www.keaitupian.net/article/280-8.html#。

目标网站分析完毕，梳理整体逻辑，出需求。

整理需求逻辑

随机选择一详情页地址，作为爬虫起始页面；
一线程保存图片；
一线程保存下一页地址。

编码时间

抓取目标请求地址

基于上述需求，首先实现循环获取 URL 的线程，该线程主要用于反复爬取 URL 地址，保存至一全局列表中。

需要使用到 threading.Thread 创建线程与启动线程，同时为保证线程之间的数据传递，需要用到线程互斥锁。

锁的声明：

mutex = threading.Lock()

复制代码

锁的使用：

global urls# 上锁mutex.acquire()
urls.append(next_url)mutex.release()

复制代码

编写 URL 获取地址代码如下：

import requestsimport reimport threadingimport time
headers = {    "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36"}
# 全局 urlsurls = []
mutex = threading.Lock()

# 循环获取URLdef get_image(start_url):    global urls    urls.append(start_url)    next_url = start_url    while next_url != "#":        res = requests.get(url=next_url, headers=headers)
        if res is not None:            html = res.text            pattern = re.compile('<a class="next_main_img" href="(.*?)">')            match = pattern.search(html)            if match:                next_url = match.group(1)                if next_url.find('www.keaitupian') < 0:                    next_url = f"https://www.keaitupian.net{next_url}"                print(next_url)                # 上锁                mutex.acquire()
                urls.append(next_url)                # 释放锁                mutex.release()

if __name__ == '__main__':    # 获取图片线程    gets = threading.Thread(target=get_image, args=(        "https://www.keaitupian.net/article/202389.html",))    gets.start()

复制代码

运行代码，得到待抓取的目标地址，控制台输出如下内容：

提取目标地址图片

下面即为最后一个步骤，通过上述代码抓取到的链接地址，提取图片地址，并保存图片。

保存图片也为一个线程，该线程对应的 save_image 函数如下：

# 保存图片线程def save_image():    global urls    print(urls)
    while True:       # 上锁        mutex.acquire()        if len(urls) > 0:          # 获取列表第一项            img_url = urls[0]            # 删除列表第一项            del urls[0]            # 释放锁            mutex.release()            res = requests.get(url=img_url, headers=headers)
            if res is not None:                html = res.text
                pattern = re.compile(                    '<img class="img-responsive center-block" src="(.*?)"/>')
                img_match = pattern.search(html)
                if img_match:                    img_data_url = img_match.group(1)                    print("抓取图片中：", img_data_url)                    try:                        res = requests.get(img_data_url)                        with open(f"images/{time.time()}.png", "wb+") as f:                            f.write(res.content)                    except Exception as e:                        print(e)        else:            print("等待中，长时间等待，可以直接关闭")

复制代码

同步在主函数中增加基于该函数的线程，并启动：

if __name__ == '__main__':    # 获取图片线程    gets = threading.Thread(target=get_image, args=(        "https://www.keaitupian.net/article/202389.html",))    gets.start()
    save = threading.Thread(target=save_image)    save.start()

复制代码

完整代码下载地址：https://codechina.csdn.net/hihell/python120，NO7。

代码编写过程中，顺手爬取了一堆图片，可以提前预览一波，看看图，在决定是否运行这段代码。

https://download.csdn.net/download/hihell/19759050