Python爬虫入门教程7 |
您所在的位置：网站首页 › 爬虫100例教程 › Python爬虫入门教程7 |
Python爬虫入门教程7
|
蜂鸟网图片--简介
今天玩点新鲜的，使用一个新库 aiohttp ，利用它提高咱爬虫的爬取速度。 安装模块常规套路 pip install aiohttp
运行之后等待，安装完毕，想要深造，那么官方文档必备 ：https://aiohttp.readthedocs.io/en/stable/ 接下来就可以开始写代码了。 我们要爬取的页面，这一次选取的是 http://bbs.fengniao.com/forum/forum_101_1_lastpost.html打开页面，我们很容易就获取到了页码
尝试用 aiohttp 访问这个页面吧，模块的引入，没有什么特殊的，采用 import 即可
如果我们需要 使用Asyncio + Aiohttp异步IO 编写爬虫，那么需要注意，你需要异步的方法前面加上async
接下来，先尝试去获取一下上面那个地址的网页源码。 代码中，先声明一个fetch_img_url的函数，同时携带一个参数，这个参数也可以直接写死。 with 上下文不在提示，自行搜索相关资料即可 (｀・ω・´) aiohttp.ClientSession() as session: 创建一个session对象，然后用该session对象去打开网页。session可以进行多项操作，比如post, get, put等 代码中 await response.text() 等待网页数据返回 asyncio.get_event_loop创建线程，run_until_complete方法负责安排执行 tasks中的任务。tasks可以为单独的函数，也可以是列表。 import aiohttp import asyncio async def fetch_img_url(num): url = f'http://bbs.fengniao.com/forum/forum_101_{num}_lastpost.html' # 字符串拼接 # 或者直接写成 url = 'http://bbs.fengniao.com/forum/forum_101_1_lastpost.html' print(url) headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6726.400 QQBrowser/10.2.2265.400', } async with aiohttp.ClientSession() as session: # 获取轮播图地址 async with session.get(url,headers=headers) as response: try: html = await response.text() # 获取到网页源码 print(html) except Exception as e: print("基本错误") print(e) # 这部分你可以直接临摹 loop = asyncio.get_event_loop() tasks = asyncio.ensure_future(fetch_img_url(1)) results = loop.run_until_complete(tasks)上面代码最后一部分也可以写成 loop = asyncio.get_event_loop() tasks = [fetch_img_url(1)] results = loop.run_until_complete(asyncio.wait(tasks))好了，如果你已经成果的获取到了源码，那么距离最终的目的就差那么一丢丢了。 修改代码为批量获取10页。 只需要修改tasks即可,在此运行，看到如下结果 tasks = [fetch_img_url(num) for num in range(1, 10)]
下面的一系列操作和上一篇博客非常类似，找规律。 随便打开一个页面 http://bbs.fengniao.com/forum/forum_101_4_lastpost.html点击一张图片，进入内页，在点击内页的一张图片，进入到一个轮播页面
再次点击进入图片播放页面
最后我们在图片播放页面，找到源码中发现了所有的图片链接，那么问题出来了，如何从上面的第一个链接，转变成轮播图的链接？？？
下面的源码是在 http://bbs.fengniao.com/forum/pic/slide_101_10408464_89383854.html 右键查看源码。
继续分析吧~~~~ ヾ(=･ω･=)o http://bbs.fengniao.com/forum/forum_101_4_lastpost.html 转变成下面的链接？ http://bbs.fengniao.com/forum/pic/slide_101_10408464_89383854.html继续看第一个链接，我们使用F12开发者工具，去抓取一个图片看看。
图片中标黄色框的位置，发现了我们想要的数字，那么好了，我们只需要通过正则表达式把他们匹配出来就好了。 代码在下面####的位置，需要注意的是，我采用的原始的正则匹配，在编写正则表达式的过程中，我发现一步竟然没有完整匹配，只能分成两个步骤了，你可以看一下具体的细节o(╥﹏╥)o 查找所有的图片 获取我们想要的两部分数字 async def fetch_img_url(num): url = f'http://bbs.fengniao.com/forum/forum_101_{num}_lastpost.html' print(url) headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6726.400 QQBrowser/10.2.2265.400', } async with aiohttp.ClientSession() as session: # 获取轮播图地址 async with session.get(url,headers=headers) as response: try: ############################################### url_format = "http://bbs.fengniao.com/forum/pic/slide_101_{0}_{1}.html" html = await response.text() # 获取到网页源码 pattern = re.compile('([\s\S.]*?)') first_match = pattern.findall(html) href_pattern = re.compile('href="/forum/(\d+?)_p(\d+?)\.html') urls = [url_format.format(href_pattern.search(url).group(1), href_pattern.search(url).group(2)) for url in first_match] ############################################## except Exception as e: print("基本错误") print(e)代码完成，我们已经获取到，我们想要的URL了，下面继续读取URL内部信息，然后匹配我们想要的图片链接 async def fetch_img_url(num): # 去抄上面的代码 async with aiohttp.ClientSession() as session: # 获取轮播图地址 async with session.get(url,headers=headers) as response: try: #去抄上面的代码去吧 ################################################################ for img_slider in urls: try: async with session.get(img_slider, headers=headers) as slider: slider_html = await slider.text() # 获取到网页源码 try: pic_list_pattern = re.compile('var picList = \[(.*)?\];') pic_list = "[{}]".format(pic_list_pattern.search(slider_html).group(1)) pic_json = json.loads(pic_list) # 图片列表已经拿到 print(pic_json) except Exception as e: print("代码调试错误") print(pic_list) print("*"*100) print(e) except Exception as e: print("获取图片列表错误") print(img_slider) print(e) continue ################################################################ print("{}已经操作完毕".format(url)) except Exception as e: print("基本错误") print(e)
图片最终的JSON已经拿到，最后一步，下载图片，当当当~~~~，一顿迅猛的操作之后，图片就拿下来了 async def fetch_img_url(num): # 代码去上面找 async with aiohttp.ClientSession() as session: # 获取轮播图地址 async with session.get(url,headers=headers) as response: try: # 代码去上面找 for img_slider in urls: try: async with session.get(img_slider, headers=headers) as slider: # 代码去上面找 ########################################################## for img in pic_json: try: img = img["downloadPic"] async with session.get(img, headers=headers) as img_res: imgcode = await img_res.read() # 图片读取 with open("images/{}".format(img.split('/')[-1]), 'wb') as f: f.write(imgcode) f.close() except Exception as e: print("图片下载错误") print(e) continue ############################################################### except Exception as e: print("获取图片列表错误") print(img_slider) print(e) continue print("{}已经操作完毕".format(url)) except Exception as e: print("基本错误") print(e)图片会在你提前写好的images文件夹里面快速的生成
tasks最多可以开1024协程，但是建议你开100个就OK了，太多并发，人家服务器吃不消。 以上操作执行完毕，在添加一些细节，比如保存到指定文件夹，就OK了。 github代码地址 原文链接:https://www.cnblogs.com/happymeng/p/10141143.html |
好久没有这么方便的看到页码了。
【本文地址】