前言
大家早好、午好、晚好吖~
今天我们来采集一下这个小姐姐网~
环境使用:
-
Python 3.8 解释器
-
Pycharm 编辑器
-
import re
-
import requests >>> pip install requests
如果安装python第三方模块:
-
win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车
-
在pycharm中点击Terminal(终端) 输入安装命令
如何配置pycharm里面的python解释器?
-
选择file(文件) >>> setting(设置) >>> Project(项目) >>> python interpreter(python解释器)
-
点击齿轮, 选择add
-
添加python安装路径
pycharm如何安装插件?
-
选择file(文件) >>> setting(设置) >>> Plugins(插件)
-
点击 Marketplace 输入想要安装的插件名字 比如:翻译插件 输入 translation / 汉化插件 输入 Chinese
-
选择相应的插件点击 install(安装) 即可
-
安装成功之后 是会弹出 重启pycharm的选项 点击确定, 重启即可生效
源码、教程 ==点击 蓝色字体 自取== ,我都放在这里了。
python实现案例: 批量数据采集/下载 <有方法 通用>
一. 数据来源分析
-
明确需求, 我们采集网上什么数据内容, 在什么地方
分析我们想要高清原图在什么地方有
-
浏览器自带工具: 开发者工具 F12
- 鼠标右键点击 插件 选择 network 刷新网页
- 点击选择 Img 可以直接找到图片地址
继续分析, 图片链接是从哪里来的
- 通过搜索分析, 可以知道, 我们想要图片原图url 就在 图片详情页网页源代码里面
![](/i/l/?n=22&i=blog/2911107/202210/2911107-20221021184504335-812679737.png)
二. 代码实现步骤:
-
发送请求, 模拟浏览器对于 图片目录页面 发送请求
-
获取数据, 获取服务器返回响应数据
开发者工具 response -
解析数据, 提取我们想要数据内容
图片详情页url地址 -
发送请求, 模拟浏览器对于 图片详情页url 发送请求
-
获取数据, 获取服务器返回响应数据
开发者工具 response -
解析数据, 提取我们想要数据内容
图片原图高清url地址, 以及 标题 -
保存数据, 把图片保存文本文件夹
代码
# 导入数据请求模块 --> 第三方模块, 需要 pip install requests 不会 0 会 1 import requests # 导入正则模块 内置模块 不需要安装的 import re
"""
1. 发送请求, 模拟浏览器对于 图片目录页面url 发送请求
- python代码如何模拟浏览器?
使用headers 请求头
实现多页数据采集:
分析请求url地址变化规律 --> 分析图片目录页面url地址变化规律
每个网站数据结构是不一样, 数据来源也不一样, 但是分析数据来源思路 和 代码实现步骤过程 差不多的
"""
for page in range(1, 5): # 字符串格式化方法: 把page传入到字符串当中 print(f'=================正在采集第{page}页的数据内容=================')
确定请求链接
有网站名得链接发出来就不给过拉~宝子们自己按照下面得图添加一下哦
![](/i/l/?n=22&i=blog/2911107/202210/2911107-20221021184336710-966117470.png)
==或点击 蓝色字体 自取== ,我都放在这里了。
# 模拟浏览器 --> headers 请求头 headers = { 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36' } # 发送请求 response = requests.get(url=url, headers=headers)
<Response [200]> 表示请求成功
"""
- 获取数据, 获取服务器返回响应数据
开发者工具 response
-
response.text
获取响应文本数据 -
response.json()
获取响应json字典数据 <一定要完整json数据, 否则就会报错>
- 解析数据, 提取我们想要数据内容
图片详情页url地址
re.findall
('匹配什么数据', '什么地方') 调用re模块里面findall
去找到匹配数据: 找到所有我们想要数据内容
从 什么地方 去匹配查询 什么数据
从 response.text
去匹配 <li><a target="_blank" href="(.*?)" alt="(.*?)" title=".*?">
其中 (.*?)
就是我们想要的数据
-
()
表示精确匹配: 我们要的内容 -
没有括号 泛匹配 不要的内容
-
.*?
通配符 元字符 . 表示匹配任意字符<除了换行符\n以外> * 匹配前一个字符0或者无限个 ? 非贪婪匹配模式
"""
提取详情页url地址
img_info = re.findall('<li><a target="_blank" href="(.*?)" alt="(.*?)" title=".*?">', response.text) # for循环遍历 把列表里面元素 一个一个提取出来 for img, title in img_info:
img:
图片详情页url地址
title:
图片标题
"""
4. 发送请求, 模拟浏览器对于 图片详情页url 发送请求
5. 获取数据, 获取服务器返回响应数据
开发者工具 response
6. 解析数据, 提取我们想要数据内容
图片原图高清url地址, 以及 标题
[0]
列表索引取值 提取第一个元素
"""
# 发送请求 获取响应文本数据 html_data = requests.get(url=img, headers=headers).text # 提取原图url地址 img_url = re.findall('<img alt=".*?" title=".*?" src="(.*?)">', html_data)[0]
"""
7. 保存数据, 把图片保存文本文件夹
-
发送请求, 获取数据内容
-
response.content
获取响应二进制数据 <图片/视频/音频/特定格式文件..>
如果图片名字一样的话, 会覆盖掉
-
split()
字符串分割 返回列表 -
[-1]
列表索引取值, 提取最后一个元素 -
title + img_url.split('/')[-1]
字符串拼接
"""
# 获取二进制数据 img_content = requests.get(url=img_url).content # 替换特殊字符 img_title = title + img_url.split('/')[-1] img_title = re.sub(r'[\/:*?:<>|]', '_', img_title) with open('img漫画\\' + img_title, mode='wb') as f: f.write(img_content) print(img_url, img_title)
文章看不懂,我专门录了对应的视频讲解,本文只是大致展示,完整代码和视频教程点击下方蓝字
==点击 蓝色字体 自取,我都放在这里了。==