20 行代码，变身技术圈多肉小达人
本篇博客目标
爬取目标
使用框架
重点学习内容
列表页与详情页分析
分页数据标识明显，可以直接读取总页数；
详情页链接可直接获取。
详情页存在多图情况，具体如下所示，爬取过程中，需要对图片进行编号命名。例如 白凤多肉出 1.png，白凤多肉出 2.png。
编码时间
第一步，获取列表页中的详情页地址。
该步骤解决方案与之前的案例一致，获取网页源码，通过正则表达式解析。在解析前可以先通过字符串截取，获取目标区域的 HTML 代码。
import requestsimport re
headers = { "user-agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.85 Safari/537.36"}
def get_list(): """ 获取全部详情页链接 """ all_list = [] res = requests.get( "https://www.zhimengo.com/duoroutu?page=1", headers=headers) html = res.text start = '<ul class="list2">' end = '<ul class="pagination">'
html = html[res.text.find(start):res.text.find(end)] pattern = re.compile( '<h3><a href="(.*?)" target="_blank" title="(.*?)">.*?</a></h3>') all_list = pattern.findall(html)
return all_list
复制代码
编写 run 函数，调用该函数。
def run(): url_list = get_list() print(url_list)
if __name__ == "__main__": run()
复制代码
运行代码之后，得到如下详情页列表，其中的标题用作后续图片存储使用。
第二步，通过详情页地址获取多肉所有图片，代码编写过程中，Python 请求返回的 HTML 页面数据与开发者工具查看的不一致，以 Python 请求为准，差异如下。该差异最大的影响是正则表达式的书写。
捕获详情页图片地址的代码如下所示，这里经验是使用某固定地址进行正则表达式测试。
def get_detail(title, url): res = requests.get(url=url, headers=headers) html = res.text print(html) pattern = re.compile( '<img alt=".*?" src="(.*?)">') imgs = pattern.findall(html) for index, url in enumerate(imgs): print(title, index, url) # save_img(title, index, url)
def run(): url_list = get_list() # print(url_list) # for url, title in url_list: get_detail("粉蔓多肉植物", "https://www.zhimengo.com/duoroutu/24413")
复制代码
上述代码的 save_img 是保存图片函数，具体代码如下：
def save_img(title, index, url): try: img_res = requests.get(url, headers=headers) img_data = img_res.content print(f"抓取：{url}") with open(f"images/{title}_{index}.png", "ab+") as f: f.write(img_data) except Exception as e: print(e)
复制代码
接下来，继续对代码进行改造，本案例实现 2 个进程的爬虫，即双进程爬取，一进程抓取 1-25 页，一进程抓取 26-55 页。
此处改进的代码主要为 run 函数，具体如下：
def run(start, end): wait_url = [ f"https://www.zhimengo.com/duoroutu?page={i}" for i in range(int(start), int(end)+1)] print(wait_url)
url_list = [] for item in wait_url: ret = get_list(item) # print(len(ret)) print(f"已经抓取：{len(ret)} 条数据") url_list.extend(ret)
# print(len(url_list)) for url, title in url_list: get_detail(title, url)
if __name__ == "__main__": start = input("请输入起始页：") end = input("请输入结束页：") run(start, end)
复制代码
运行程序，依据网速进行测试即可，双进程即启用两次该 Python 脚本，手动进行页码区分即可。
完整代码下载地址：https://codechina.csdn.net/hihell/python120
评论