美女图片爬虫实战--轻松爬取几万张美女图片

本文来源吾爱破解论坛

本帖最后由 netCafe 于 2019-10-14 08:27 编辑
Python美女图片爬虫实战 准备工作

python3开发环境

相应的python包：

import urllib.request
from lxml import etree
import re
import os
import datetime

开发环境：为了方便测试，

我这里使用的是Jupyter notebook进行开发测试。

当然也可以使用其他的开发环境，例如PyCharm。

谷歌浏览器 ：用于抓包分析（其他浏览器也可以，例如火狐浏览器）

(更详细的关于安装python包的安装这里就不说了，毕竟这个不是入门教程)

分析网页结构

网站：https://www.mn52.com/ mn52图库网（是正规的网站，没有露点，不属于色情范围，是合法的）

这个网站是一个图片网站，内容基本都是图片，分类有很多，因为网页结构都是一样的，所以我这里选取了性感美女这个分类进行分析。

性感美女：https://www.mn52.com/xingganmeinv/

因为我要爬取这个分类下的所有图片，所以首先我要分析这个url的组成。

爬取的时候是1~220页，每一页有20组图片（即一页有20个缩略图，点击进去才是我们需要获取的原图）。

分析完成之后思路如下：获取每一页的url → 获取每一页的20个详情页面的url → 获取每一详情页下的原图url → 下载每组图片的原图到本地。最后使用循环进行爬取。

大致的思路就是这样，下面开始写代码进行测试。

写代码分析 列表的url组成

第一页
https://www.mn52.com/xingganmeinv/list_1_1.html
第二页
https://www.mn52.com/xingganmeinv/list_1_2.html
末页
https://www.mn52.com/xingganmeinv/list_1_220.html

url组成：
url="https://www.mn52.com/xingganmeinv/list_1_" + number +".html"  (number=1-->200)

详情页url的获取

然后根据 Xpath表达式进行获取

//div[@id="waterfall"]/ul/li/div/a/@href

详情页下的所有图片url

使用 Xpath表达式获取

//div/ul[@id="pictureurls"]/li/div/a/img/@src

图片命名规则 图片的类型

因为这里的图片有 .jpg 和 .png两种格式，所有下载的图片还是需要按照这两种格式进行保存，所有需要获取原来图片的保存格式。

这里获取图片的数据是根据IO流进行传输的，这里采用二进制的方式进行传输，即字节码方式传输，而不是字符。

由于每一组图片都是一样的格式保存的，要么是 .jpg，要么是 .png，所以我这里只是知道一张图片的保存格式即可，即获取到第一张图片的url后缀即可。

例如：实际的详情页下的某张图片的url组成

https://image.mn52.com/img/allimg/190827/8-1ZRH10243.png
https://image.mn52.com/img/allimg/190818/8-1ZQR13348.jpg

这里我们需要获取的是后面的四个字符

由于前面已经获取了每一个详情页下的所有原图url的列表[ ]，这里只需要获取列表的第一个元素的后四个字符即可。

# src列表下的第一个元素 （src是所有的原图url列表）
firstSrc = src[0]
# 获取字符串的最后四个字符
filetype = firstSrc[-4:]

图片的命名

由于我们需要下载的图片很多，可能有几万张，甚至超过几十万张，所有一个好的命名方式显得很重要。

这里我按照图片原来的命名去命名，即是我需要获取到图片原来的命名名称。

在分析测试过程中，我发现图片命名可能存在以下两种（可能不止两种）

https://image.mn52.com/img/allimg/190827/8-1ZRH10243.png

https://image.mn52.com/img/allimg/c160322/145V4939360050-3110O.jpg

我这里需要获取的是

8-1ZRH10243
145V4939360050-3110O

由于图片类型前面已经获取到了，这里不需要再次获取。（或者也可以直接在这里获取名称和类型，直接省略上一步获取图片类型）

这里我使用正则表达式进行获取

# src是原图的url
pattern = '\w*?\-\w+'
name = re.search(pattern,src).group()
print(name)

# src = 'https://image.mn52.com/img/allimg/c150926/144323X0404I0-1261301.jpg'
# 结果144323X0404I0-1261301
# src = 'https://image.mn52.com/img/allimg/190818/8-1ZQR14016.jpg'
# 结果8-1ZQR14016

这样我们就可以获取到图片的名称了，无论怎么变化，这个正则表达式应该都可以满足这里的需求了。

反爬的解决

前面的工作完成之后，我迫不及待的进行了测试。

然而却遇到了403，404错误…

经过分析，我认为网站设置了防盗链

解决方案：

模拟浏览器爬取 设置header为该网站链接发出的跳转请求

最后成功解决了。

然后下载了几个小时，下载了21330张性感美女图片，这里只是爬取了1~120页的图片，后面的没有继续去爬取。

自动爬取效果

程序可以改进之处

程序可以设置一个时间判断：如果每次请求时间过长就跳过（防止某次请求时间过长，造成程序假死）

设置多线程爬取（其实这里和开几个程序爬取是一样道理的，这里感觉没必要…因为该网站服务器感觉性能不高，开太多程序爬取，貌似也没有提高多少效率？）

使用Scrapy框架爬取（提高效率？）

完整代码

代码写的不是很好，大家将就看吧（现在主要做Java后端，python写的很少了）。

import urllib.request
from lxml import etree
import re
import os
import datetime

# 下载图片（获取原图链接并下载）
def downloadImage(url,pathway):
    response = urllib.request.urlopen(url)
    content=response.read().decode(encoding='utf-8')
    dom = etree.HTML(content)
    src=dom.xpath('//div/ul[@id="pictureurls"]/li/div/a/img/@src')
    # 获取图片链接和名称并下载图片
    pattern = '\w+\-\w+'
    firstsrc = src[0]
    filetype = firstsrc[-4:]

    headers = [('Host','www.mn52.com'), ('Connection', 'keep-alive'),  ('Cache-Control', 'max-age=0'),
                    ('Accept', 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3'),
                    ('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36'),
                    ('Accept-Encoding','gzip, deflate, br'),
                    ('Accept-Language', 'zh-CN,zh;q=0.9'),
                    ('If-None-Match', '5d652a1c-3d43'),
                    ('Referer','https://www.mn52.com/xingganmeinv/'),
                    ('If-Modified-Since', 'Tue, 27 Aug 2019 10:09:54 GMT')]
    opener = urllib.request.build_opener()
    opener.addheaders = headers
    for img in src:
        name = re.search(pattern,img).group()
        if str(img[1:4])=="img":
            imgUrl = "https://image.mn52.com" + img
        else:
            imgUrl = "https:" + img

        data = opener.open(imgUrl)
        # 储存路径
        path = pathway + "/" + str(name) + str(filetype)  
        f = open(path,"wb")  
        f.write(data.read())  
        f.close()
        print("图片下载成功："+imgUrl)

# 构造分类的 url
# typeNum 性感美女-->1  清纯美女-->2  韩国美女-->3  欧美图片-->4  美女明星-->5 
def getUrl(typeNum):
    type = ""
    if typeNum==1:
        type = "xingganmeinv"
    elif typeNum==2:
        type = "meihuoxiezhen"
    elif typeNum==3:
        type = "rihanmeinv"
    elif typeNum==4:
        type = "jingyannenmo"
    elif typeNum==5:
        type = "meinvmingxing"
    url1 = "https://www.mn52.com/"
    url2 = "/list_"
    url = url1 + type + url2 + str(typeNum) + "_"
    return url;

# 提示信息
print("################################################################################")
print("#                                                                              #")
print("#            (1)作者：ShibaInu  mn52图库：https://www.mn52.com                 #")
print("#                                                                              #")
print("#            (2)==> 需要输入：文件储存路径,例如 D:/image                       #")
print("#                   下载的图片都会保存在这个文件夹                             #")
print("#                                                                              #")
print("#            (3)==> 需要输入：图片类别 Number                                  #")
print("#                   性感美女 ==>[ 1 ]                                          #")
print("#                   清纯美女 ==>[ 2 ]                                          #")
print("#                   韩国美女 ==>[ 3 ]                                          #")
print("#                   欧美图片 ==>[ 4 ]                                          #")
print("#                   美女明星 ==>[ 5 ]                                          #")
print("#                                                                              #")
print("#            (4)==> 需要输入：下载的起始页和末尾页的页码数                     #")
print("#                   起始页[ startPage ]                                        #")
print("#                   末尾页[ endPage(不包含末尾页)]                             #")
print("#                                                                              #")
print("################################################################################")
print("")

pathway = input("  ①请输入文件存储路径(例如 D:/image)：")
print("")

typeNum = input("  ②请输入下载的类别：")
urlList = getUrl(int(typeNum))
print("")

startPage = input("  ③请输入起始页 startPage：");
print("")

endPage = input("  ④请输入末尾页 endPage：")
print("")

print("   == 即将开始精彩资源的下载 == ")
print("")

startNum = int(startPage)
endNum = int(endPage)

startTime = datetime.datetime.now()
for n in range(startNum,endNum):
    realurl = urlList + str(n) + '.html'
    response = urllib.request.urlopen(realurl)
    content=response.read().decode(encoding='utf-8')
    dom = etree.HTML(content)
    src=dom.xpath('//div[@id="waterfall"]/ul/li/div/a/@href')

    for img in src:
        path = 'https://www.mn52.com'+ img 
        indexImg = src.index(img)
        #异常处理：遇到异常信息跳过
        try:
            print("开始下载该组图：" + path) 
            starttime = datetime.datetime.now()
            downloadImage(path,pathway)
            endtime = datetime.datetime.now()
            print ("  下载成功，耗时：" + str(endtime - starttime))
            print ("  =========> 第"+ str(indexImg+1) +"组图片下载完成 <=========")
            print("")
        except Exception as e:
            print("  =========> 第"+ str(indexImg+1) +"组图片下载完成 <=========")
            pass
        continue

    print("===========================> 第"+ str(n) +"个图片列表下载完成 <===========================")

endTime = datetime.datetime.now()

print ("下载成功，耗时：：" + str(endTime - startTime))

打包成 .exe可以执行文件

下载一张 mn52.ico 图片，将mn52pic.py 和这张图片放在同一个文件夹下，cmd 命令行进入这个目录，然后执行下面的代码打包：

pyinstaller -F -i mn52.ico mn52pic.py

后记

由于这个图片网站服务器性能不是非常好，所以大家也不要一直进行爬取和测试，以上只是为了讲解一下图片爬虫的简单实现。

本帖被以下淘专辑推荐: · 爬虫专栏|主题: 38, 订阅: 39