不会吧，学过爬虫连这个网站都爬不了？那Python岂不是白学了

发布时间：2025-01-25 13:01

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 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)

$\"不会吧，学过爬虫连这个网站都爬不了？那Python岂不是白学了_第1张图片\"$

共耗时：61秒

$\"不会吧，学过爬虫连这个网站都爬不了？那Python岂不是白学了_第2张图片\"$

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)

$\"不会吧，学过爬虫连这个网站都爬不了？那Python岂不是白学了_第3张图片\"$