好久沒寫爬出了，這段時間都這折騰別的，今天看了個視頻爬圖片，自己無聊也寫了個千圖網的爬蟲，結果寫了好久，真是生疏，等把web知識補完一定要多寫啊。
好了，我們先看看網站，看看如何遍歷全站，截圖是我選擇的入口
Paste_Image.png
既然找到了遍歷的入口，接下來就簡單了。這里講下主要思路，跟之前爬宜搜全站一樣，先爬主頁的所有子欄目的網址，然后根據每個子欄目的頁數構造出每一個頁面的網址，之后就是遍歷全站了，這里貼一下scrapy里面主要spider是代碼
# -*- coding: utf-8 -*-
import scrapy
from scrapy.http import Request
from qiantu_spider.items import QiantuSpiderItem
class QiantuSpider(scrapy.Spider):
name = "qiantu"
allowed_domains = ["58pic.com"]
start_urls = ['http://58pic.com/']
def parse(self, response):
all_url = response.xpath('//div[@class="moren-content"]/a/@href').extract()
#print(all_url)
for i in range(0,int(len(all_url))):
single_url = all_url[i]
each_html = single_url + '0/day-1.html' # 將每個頁面構造成第一頁的網址，方便提取每頁的最大頁數
yield Request(each_html,callback=self.list_page,meta={'front':single_url})#把每個子網站傳到下面的函數
def list_page(self,response):
front_url = response.meta['front']
try:
max_page = response.xpath('//*[@id="showpage"]/a[8]/text()').extract()[0]#提取最大頁數
print(max_page)
#print(front_url)
try:
for i in range(1,int(max_page)+1):
img_page = front_url+'0/day-'+str(i)+'.html'#構造出每一個分類的所有url，接下來就是提取圖片地址了
#print(img_page)
yield Request(url=img_page,callback=self.get_img_link)
except:
print('該網頁沒有數據')
except Exception as e:
print('網頁沒有最大頁數，作廢網頁')
def get_img_link(self,response):
item =QiantuSpiderItem()
img_link1 = response.xpath("http://a[@class='thumb-box']/img/@src").extract()
if img_link1:
#該網站圖片有點奇葩，有些頁面的圖片存儲方式不一樣，總體來說是這兩者，分開寫就好了
item['img_urls'] =img_link1
#print(1,img_link1)
yield item
else:
img_link2=response.xpath('//*[@id="main"]/div/div/div/div/div/a/img/@src').extract()
item['img_urls'] = img_link2
yield item
#print(2,img_link2)
下面是piplines代碼，主要是把圖面下載到指定的文件夾，用了urlretrieve方法
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
import urllib.request
import re
import os
class QiantuSpiderPipeline(object):
def process_item(self, item, spider):
for url in item['img_urls']:
try:
real_url = re.sub(r'!(.*)','',url)#把每個圖片地址！號后面的字符去掉，剩下的是高清圖地址
name = real_url[-24:].replace('/','')#去除不能表示文件名的符號，這里將我搞死了
#print(name)
file ='E://qiantu/'
urllib.request.urlretrieve(real_url,filename=file+name)
except Exception as e:
print(e,'該圖片沒有高清地址')
print('成功下載一頁圖片')
千圖網全站的爬取很簡單，不過記得要在settings里面把robot.txt協議改掉，最好也偽造一下useragent
如圖是短短幾分鐘的爬取效果
Paste_Image.png
下次要挑個特別有難度的網站爬了才行，github地址：https://github.com/xiaobeibei26
