首页 > 编程语言 >Python爬虫源码，Behance 作品图片及内容采集爬虫附工具脚本！

Python爬虫源码，Behance 作品图片及内容采集爬虫附工具脚本！

时间：2023-10-06 12:01:02浏览次数：49  
标签：img headers Python text 爬虫 h2 url 源码 print


Behance 网站是设计师灵感必备网站

这个网站跟国内的网站，花瓣网很像，甚至可以说花瓣学习了它不少，在瀑布流网页的展示上也有很多相似之处。

Python爬虫源码，Behance 作品图片及内容采集爬虫附工具脚本！_Chrome

前面本渣渣就分享过花瓣网图片采集爬虫，感兴趣可以移步查看，现在还能用！

Python爬虫源码，Behance 作品图片及内容采集爬虫附工具脚本！_Chrome_02

【爬虫】花瓣图片爬虫，Python图片采集下载源码

Python爬虫源码，Behance 作品图片及内容采集爬虫附工具脚本！_开发语言_03

Python爬虫tkinter，花瓣工业设计类图片采集工具助手gui

注：Behance 作品图片及内容采集 需配合使用，前面本渣渣也有分享相关签到工具的源码脚本，尤其适合像本渣渣一样菜的白嫖党使用。

Python爬虫源码，Behance 作品图片及内容采集爬虫附工具脚本！_开发语言_04

自写Python脚本签到工具小助手，某上网登陆签到工具脚本！

附上几个关键点，以供参考！

headers 协议头

网站反爬的基础方式之一，也是根本，那就是协议头，现在不少网站除了ua，还需要获取到cookies，Behance 网站也不例外，两个要素缺一不可，否则访问会返回不支持机器访问。

headers={
        "cookie":cookie ,
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36",
    }

访问超时重试机制

由于使用工具，而且是白嫖的免费工具，同时访问的是外网，因此在网页访问及图片下载请求的同时都会存在访问超时的情况，这个时候就需要对于访问失败或者超时错误进行重试处理。

  1. 设置访问超时10s，以免程序卡死
response = requests.get(url=url, headers=headers, timeout=10)
  1. 访问超时或者失败重试机制，这里重试两次，然后直接跳过
def get_response(url, headers):
    i = 0
    while i < 3:
      try:
          response = requests.get(url, headers=headers, timeout=8)
          return response
      except requests.exceptions.RequestException:
          i += 1
          print(f">> 获取网页出错，6S后将重试获取第：{i} 次")
          time.sleep(6)

多线程的使用

既然是图片的采集，那么效率方面一定要兼顾，这方面多线程的使用也是标配了，这里就搬出了本渣渣祖传的多线程代码以供参考，别问为什么这么写，直接照抄就是了，因为本渣渣也是抄的。

  1. 多线程下载图片版本一 threading（推荐）
#多线程下载图片方式一
import threading

def down_imgs(imgs,path,url):
    threadings = []
    for img in imgs:
        t = threading.Thread(target=tps, args=(path,img,url))
        threadings.append(t)
        t.start()

    for x in threadings:
        x.join()

    print(f"恭喜，多线程下载图片完成!")
  1. 多线程下载图片版本二 Pool
#多线程下载图片方式二
from multiprocessing.dummy import Pool as ThreadPool

def get_imgs(datas):
    try:
        # 开4个 worker，没有参数时默认是 cpu 的核心数
        pool = ThreadPool()
        results = pool.map(tpss, datas)
        pool.close()
        pool.join()
    except:
        print("Error: unable to start thread")

其他方面就没有什么写的，都是基操，有手就行（其实字数篇幅到了），就这样吧！

如对本渣渣狗屎一样的源码感兴趣，可拉至文末，屎山供参考！考虑到大部分老哥老妹对于源码不感兴趣，这里附上exe采集工具以供尝试，仅支持单篇作品文章采集，采集完成效果，包括图片及文字信息。

提供两个 Behance 作品采集工具，一个单线程下载图片版本，一个多线程下载图片版本V2.0！

采集过程演示：

Python爬虫源码，Behance 作品图片及内容采集爬虫附工具脚本！_Chrome_05

采集效果：

Python爬虫源码，Behance 作品图片及内容采集爬虫附工具脚本！_python_06

Python爬虫源码，Behance 作品图片及内容采集爬虫附工具脚本！_python_07

Python爬虫源码，Behance 作品图片及内容采集爬虫附工具脚本！_python_08


Python爬虫源码，Behance 作品图片及内容采集爬虫附工具脚本！_Chrome_09

关注公众号：Python与SEO学习


附工具使用说明：


附上完整源码供参考，cookie需自行补充填写！

#Behance网站作品采集
#https://www.behance.net/search/projects?field=industrial+design
# -*- coding: UTF-8 -*-
#@author:huguo00289
import requests
import time
from lxml import etree
import re
import os
import random
import threading
from multiprocessing.dummy import Pool as ThreadPool


#单线程下图片
def get_detail(url):
    headers={
        "cookie":cookie ,
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36",
    }
    response = requests.get(url=url, headers=headers, timeout=10)
    print(response.status_code)
    html = response.content.decode("utf-8")
    #print(html)
    get_html(html, url)


#多线程下图片
def get_sdetail(url):
    headers={
        "cookie": cookie,
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36",
    }
    response = requests.get(url=url, headers=headers, timeout=10)
    print(response.status_code)
    html = response.content.decode("utf-8")
    #print(html)
    get_shtml(html, url)


#多线程下图片方式二
def get_ssdetail(url):
    headers={
        "cookie": cookie,
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36",
    }
    response = requests.get(url=url, headers=headers, timeout=10)
    print(response.status_code)
    html = response.content.decode("utf-8")
    get_sshtml(html,url)


def tp(path,img_url,url):
    ua_list = [
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
        'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36Chrome 17.0',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
        'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0Firefox 4.0.1',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
        'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
    ]
    headers = {
        'Connection': 'close',
        'referer': url,
        "User-Agent": random.choice(ua_list)
    }
    img_name=img_url.split('/')[-1]
    r = requests.get(img_url,headers=headers,timeout=10)
    time.sleep(1)
    with open(f'{path}{img_name}','wb')as f:
        f.write(r.content)
    print(f">> {img_name}下载图片成功")


# 3次重试
def get_response(url, headers):
    i = 0
    while i < 4:
      try:
          response = requests.get(url, headers=headers, timeout=10)
          return response
      except requests.exceptions.RequestException:
          i += 1
          print(f">> 获取网页出错，6S后将重试获取第：{i} 次")
          time.sleep(i*2)




def tps(path,img_url,url):
    ua_list = [
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
        'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36Chrome 17.0',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
        'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0Firefox 4.0.1',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
        'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
    ]
    headers = {
        'Connection': 'close',
        'referer': url,
        "User-Agent": random.choice(ua_list)
    }
    img_name=img_url.split('/')[-1]
    r = get_response(img_url, headers)
    time.sleep(1)
    with open(f'{path}{img_name}','wb')as f:
        f.write(r.content)
    print(f">> {img_name}下载图片成功")


#解析页面下图单线程
def get_html(html,url):
    tree=etree.HTML(html)

    h2=tree.xpath('//title/text()')[0]
    h2 = h2.strip()
    h2 = h2.replace('|', '')
    pattern = r"[\/\\\:\*\?\"\<\>\|]"
    h2 = re.sub(pattern, "_", h2)  # 替换为下划线
    print(">> 获取网页标题成功，标题为：")
    print(h2)

    path = f'{h2}/'
    os.makedirs(path, exist_ok=True)

    main_text = tree.xpath('//div[@class="main-text"]//span/text()')
    text = '\n'.join(main_text)
    text = f'{h2}\n\n{text}'
    with open(f'{path}{h2}.txt', 'w', encoding='utf-8') as f:
        f.write(text)
    print(">> 恭喜，保存作品内容成功！")
    print(f"作品内容保存为：{h2}.txt ！")

    imgs=tree.xpath('//div[@class="ImageElement-root-kir"]/img/@src')
    print(">> 获取图片成功，图片列表为：")
    print(imgs)
    for img in imgs:
        try:
            tp(path,img, url)
        except Exception as e:
            print(f"下载 {img} 图片失败，错误代码：{e}！")
            print(">> 4s后尝试重新下载图片...")
            time.sleep(4)
            try:
                tp(path, img, url)
            except Exception as e:
                print(f"下载 {img} 图片失败，错误代码：{e}！")
                time.sleep(6)
                print(">> 6s后尝试重新下载图片...")
                try:
                    tp(path, img, url)
                except Exception as e:
                    print(f"下载 {img} 图片失败，错误代码：{e}！")
                    time.sleep(4)
                    print(f"下载 {img} 图片失败，已跳过该图片下载！")
                    pass

        time.sleep(5)



#多线程下载图片方式一
def down_imgs(imgs,path,url):
    threadings = []
    for img in imgs:
        t = threading.Thread(target=tps, args=(path,img,url))
        threadings.append(t)
        t.start()

    for x in threadings:
        x.join()

    print(f"恭喜，多线程下载图片完成!")



def tpss(data):
    path=data[0]
    img_url=data[1]
    url=data[2]
    ua_list = [
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
        'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36Chrome 17.0',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
        'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0Firefox 4.0.1',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
        'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
    ]
    headers = {
        'Connection': 'close',
        'referer': url,
        "User-Agent": random.choice(ua_list)
    }
    img_name=img_url.split('/')[-1]
    r = get_response(img_url, headers)
    time.sleep(1)
    with open(f'{path}{img_name}','wb')as f:
        f.write(r.content)
    print(f">> {img_name}下载图片成功")


#多线程下载图片方式二
def get_imgs(datas):
    try:
        # 开4个 worker，没有参数时默认是 cpu 的核心数
        pool = ThreadPool()
        results = pool.map(tpss, datas)
        pool.close()
        pool.join()
    except:
        print("Error: unable to start thread")



#解析页面下图多线程方式二
def get_sshtml(html,url):
    tree=etree.HTML(html)

    h2=tree.xpath('//title/text()')[0]
    h2 = h2.strip()
    h2 = h2.replace('|', '')
    pattern = r"[\/\\\:\*\?\"\<\>\|]"
    h2 = re.sub(pattern, "_", h2)  # 替换为下划线
    print(">> 获取网页标题成功，标题为：")
    print(h2)

    path = f'{h2}/'
    os.makedirs(path, exist_ok=True)

    main_text = tree.xpath('//div[@class="main-text"]//span/text()')
    text = '\n'.join(main_text)
    text = f'{h2}\n\n{text}'
    with open(f'{path}{h2}.txt', 'w', encoding='utf-8') as f:
        f.write(text)
    print(">> 恭喜，保存作品内容成功！")
    print(f"作品内容保存为：{h2}.txt ！")

    imgs=tree.xpath('//div[@class="ImageElement-root-kir"]/img/@src')
    print(">> 获取图片成功，图片列表为：")
    print(imgs)
    datas=[]
    for img in imgs:
        data=path,img,url
        datas.append(data)

    print(">> 正在多线程下载图片，请稍候...")
    get_imgs(datas)

    time.sleep(5)



#解析页面下图多线程
def get_shtml(html,url):
    tree=etree.HTML(html)

    h2=tree.xpath('//title/text()')[0]
    h2 = h2.strip()
    h2 = h2.replace('|', '')
    pattern = r"[\/\\\:\*\?\"\<\>\|]"
    h2 = re.sub(pattern, "_", h2)  # 替换为下划线
    print(">> 获取网页标题成功，标题为：")
    print(h2)

    path = f'{h2}/'
    os.makedirs(path, exist_ok=True)

    main_text = tree.xpath('//div[@class="main-text"]//span/text()')
    text = '\n'.join(main_text)
    text = f'{h2}\n\n{text}'
    with open(f'{path}{h2}.txt', 'w', encoding='utf-8') as f:
        f.write(text)
    print(">> 恭喜，保存作品内容成功！")
    print(f"作品内容保存为：{h2}.txt ！")

    imgs=tree.xpath('//div[@class="ImageElement-root-kir"]/img/@src')
    print(">> 获取图片成功，图片列表为：")
    print(imgs)
    print(">> 正在多线程下载图片，请稍候...")
    down_imgs(imgs, path, url)

    time.sleep(5)



if __name__=="__main__":
    print("欢迎使用 Behance 作品采集器 V2.0 -Python与SEO ！")
    print()
    print("=========================================================")
    print
          "\n"
          "需输入采集Behance作品链接"
          "\n"
          "粘贴/输入链接后回车运行采集器"
          "\n")
    print("=========================================================")
    url=input("请粘贴/输入要采集的 Behance 作品链接:")
    print(">> 正在采集，请稍候...")
    # get_detail(url) #单线程下图片
    get_sdetail(url)  #多线程下图片方式一
    # get_ssdetail(url)  #多线程下图片方式二
    print("恭喜，Behance 作品采集成功！")
    print("4s后自动关闭程序！")
    time.sleep(4)

·················END·················

你好，我是二大爷，

革命老区外出进城务工人员，

互联网非早期非专业站长，

喜好python，写作，阅读，英语


Python爬虫源码，Behance 作品图片及内容采集爬虫附工具脚本！_python_10

Python爬虫源码，Behance 作品图片及内容采集爬虫附工具脚本！_爬虫_11

关注我的都变秃了

说错了，都变强了！

不信你试试

Python爬虫源码，Behance 作品图片及内容采集爬虫附工具脚本！_Chrome_12

扫码关注最新动态

公众号ID：eryeji

标签：img,headers,Python,text,爬虫,h2,url,源码,print
From： https://blog.51cto.com/u_15200177/7723261

相关文章

  • 了解python闭包
    了解python闭包1、闭包的作用当函数调用结束之后，函数内定义的变量都销毁了，但是有时候我们需要函数内的这个变量，每次在这个变量的基础上完成一系列的操作。（即在调用完函数之后，仍然想使用函数内部的变量）那么我们可以使用闭包来解决这个需求。闭包的定义：在函数嵌套的前提下，内部......
  • 基于python的食力派网上订餐系统-计算机毕业设计源码+LW文档
    摘 要在各学校的教学过程中，食力派网上订餐系统是一项非常重要的事情。随着计算机多媒体技术的发展和网络的普及。采用当前流行的B/S模式以及3层架构的设计思想通过Python技术来开发此系统的目的是建立一个配合网络环境的食力派网上订餐系统，这样可以有效地解决食力派网上订餐管理......
  • 【python自动化】七月PytestAutoApi开源框架学习笔记（二）
    执行流程注：请先阅读作者的README.md文档https://gitee.com/yu_xiao_qi/pytest-auto-api2/blob/master/README.md本节内容目录如下：文章目录执行流程目录结构参数配置入口文件-run.pypytest.initest_case初始化数据缓存解析yaml测试数据测试用例执行conftest.py用例demo分析加载yaml......
  • 【AI测试】python文字图像识别tesseract
    [AI测试]python文字图像识别tesseractgithub官网：https://github.com/tesseract-ocr/tesseractpython版本：https://github.com/madmaze/pytesseractOCR，即OpticalCharacterRecognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。对于图形验证码来说，它们......
  • 【AI测试】已落地-python文字图像识别PaddleOCR
    python文字图像识别PaddleOCRPaddleOCR旨在打造一套丰富、领先、且实用的OCR工具库，助力开发者训练出更好的模型，并应用落地。国产之光，百度开源的paddleocr开源地址：https://github.com/PaddlePaddle/PaddleOCR官方电子书：https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7......
  • 基于Python的智慧补助系统的设计与实现-计算机毕业设计源码+LW文档
    摘 要在各学校的教学过程中，智慧补助系统是一项非常重要的事情。随着计算机多媒体技术的发展和网络的普及。采用当前流行的B/S模式以及3层架构的设计思想通过Python技术来开发此系统的目的是建立一个配合网络环境的智慧补助系统，这样可以有效地解决智慧补助混乱的局面。本文首先......
  • 基于Django的智慧旅游系统的设计与实现-计算机毕业设计源码+LW文档
    摘 要在各学校的教学过程中，智慧旅游系统是一项非常重要的事情。随着计算机多媒体技术的发展和网络的普及。采用当前流行的B/S模式以及3层架构的设计思想通过Python技术来开发此系统的目的是建立一个配合网络环境的智慧旅游系统，这样可以有效地解决智慧旅游管理信息混乱的局面。......
  • 基于SSM架构的房产局地籍登记与管理系统的设计与实现(附源码论文资料)
    基于SSM架构的房产局地籍登记与管理系统的设计与实现(附源码论文资料)文章目录1.引言2.系统概述3.购买租用管理模块3.1设计和具体实现过程3.3.1注册登陆3.3.2购买支付4.发布管理模块4.1功能简介4.2.界面4.3设计和具体实现过程4.3.1地籍发布4.3.2地籍审核5用户与地籍管理5.......
  • python11
    3.3字符串的公共功能1.相加：字符串+字符串v1="吉林省"+"长春市"print(v1)2.相乘：字符串*整数data="alex"*3print(data)3.长度data="吉林省长春市"value=len(data)print(value)4.获取字符串中的字符，索引message="吉林省长春市"#012......
  • 笨办法学Python3 习题22 到现在为止你学到了什么
    目前为止书中学到，后续继续补充内置函数：print(x)input(x)f"xx{a}xx{b}xx." //''xx{}xx{}xx.''format(a,b) //''xx''a''xx''b''xx.''open(x)//open(x,"w") x.r......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99