前言
最近在做監控相關的配套設施,發現很多腳本都是基於Python的。很早之前就聽說其大名,人生苦短,我學Python,這並非一句戲言。隨著人工智能、機器學習、深度學習的崛起,目前市面上大部分的人工智能的代碼 大多使用Python 來編寫。所以人工智能時代,是時候學點Python了。進軍指南對於沒有任何語言開發經驗的同學,建議從頭系統的學起,無論是書、視頻還是文字教程都可以。
注意:很多人學Python過程中會遇到各種煩惱問題,沒有人解答容易放棄。為此我建了個python學習資源群裡面有最新學習資料,如果你想學python,可以關注我,後臺私信我 ‘py’ 自動獲取最新python教程資料!還有老司機解答哦!
如果是有其他語言開發經驗的同學,建議從一個案例入手,比如爬取某個網站的套圖。因為語言都是想通的,語法之類的只要你要語感,代碼基本能讀個八九不離十。所以不建議有經驗的開發者從頭學起,無論是視頻還是書,對於開始學一門語言來說都是太浪費時間了。當然,等你深入進去以後,還是要系統的去學習,這是後話。
案例實現步驟以妹子圖為例,其實很簡單,分以下四步:
- 獲取首頁的頁碼數,並創建與頁碼對應的文件夾
- 獲取頁面的欄目地址
- 進入欄目,獲取欄目頁碼數(每個欄目下有多張圖片,分頁顯示)
- 獲取到欄目下對用標籤中的圖片並下載
注意事項爬取過程中,還需要注意以下幾點,可能對你有所幫助:1)導庫,其實就類似於Java中框架或者是工具類,底層都被封裝好了安裝第三方庫
- # Win下直接裝的 python3
- pip install bs4、pip install requests
- # Linux python2 python3 共存
- pip3 install bs4、pip3 install requests
導入第三方庫
- # 導入requests庫
- import requests
- # 導入文件操作庫
- import os
- # bs4全名BeautifulSoup,是編寫python爬蟲常用庫之一,主要用來解析html標籤。
- import bs4
- from bs4 importBeautifulSoup
- # 基礎類庫
- import sys
- # Python 3.x 解決中文編碼問題
- import importlib
- importlib.reload(sys)
2)定義方法函數,一個爬蟲可能會幾百行,所以儘量不要寫成一坨
- def download(page_no, file_path):
- # 這裡寫代碼邏輯
3)定義全局變量
- # 給請求指定一個請求頭來模擬chrome瀏覽器
- global headers # 告訴編譯器這是全局變量 headers
- headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36'}
- # 函數內使用之前需要
- # 告訴編譯器我在這個方法中使用的a是剛才定義的全局變量 headers ,而不是方法內部的局部變量。
- global headers
4)防盜鏈有些網站加入了防盜鏈,無所不能的 python 解決方案
- headers = {'Referer': href}
- img = requests.get(url, headers=headers)
5)切換版本Linux服務器使用的是阿里雲服務器,默認版本 python2,python3 自行安裝
- [root@AY140216131049Z mzitu]# python2 -V
- Python2.7.5
- [root@AY140216131049Z mzitu]# python3 -V
- Python3.7.1
- # 默認版本
- [root@AY140216131049Z mzitu]# python -V
- Python2.7.5
- # 臨時切換版本 <whereis>
- [root@AY140216131049Z mzitu]# alias python='/usr/local/bin/python3.7'
- [root@AY140216131049Z mzitu]# python -V
- Python3.7.1
6)異常捕獲在爬取的過程中可能存在異常頁面,這裡我們進行捕獲,不影響後續操作
- try:
- # 業務邏輯
- exceptExceptionas e:
- print(e)
代碼實現編輯腳本:vi mzitu.py
- #coding=utf-8
- #!/usr/bin/python
- # 導入requests庫
- import requests
- # 導入文件操作庫
- import os
- import bs4
- from bs4 importBeautifulSoup
- import sys
- import importlib
- importlib.reload(sys)
- # 給請求指定一個請求頭來模擬chrome瀏覽器
- global headers
- headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36'}
- # 爬圖地址
- mziTu = 'http://www.mzitu.com/'
- # 定義存儲位置
- global save_path
- save_path = '/mnt/data/mzitu'
- # 創建文件夾
- def createFile(file_path):
- if os.path.exists(file_path) isFalse:
- os.makedirs(file_path)
- # 切換路徑至上面創建的文件夾
- os.chdir(file_path)
- # 下載文件
- def download(page_no, file_path):
- global headers
- res_sub = requests.get(page_no, headers=headers)
- # 解析html
- soup_sub = BeautifulSoup(res_sub.text, 'html.parser')
- # 獲取頁面的欄目地址
- all_a = soup_sub.find('div',class_='postlist').find_all('a',target='_blank')
- count = 0
- for a in all_a:
- count = count + 1
- if (count % 2) == 0:
- print("內頁第幾頁:" + str(count))
- # 提取href
- href = a.attrs['href']
- print("套圖地址:" + href)
- res_sub_1 = requests.get(href, headers=headers)
- soup_sub_1 = BeautifulSoup(res_sub_1.text, 'html.parser')
- # ------ 這裡最好使用異常處理 ------
- try:
- # 獲取套圖的最大數量
- pic_max = soup_sub_1.find('div',class_='pagenavi').find_all('span')[6].text
- print("套圖數量:" + pic_max)
- for j in range(1, int(pic_max) + 1):
- # print("子內頁第幾頁:" + str(j))
- # j int類型需要轉字符串
- href_sub = href + "/" + str(j)
- print(href_sub)
- res_sub_2 = requests.get(href_sub, headers=headers)
- soup_sub_2 = BeautifulSoup(res_sub_2.text, "html.parser")
- img = soup_sub_2.find('div', class_='main-image').find('img')
- if isinstance(img, bs4.element.Tag):
- # 提取src
- url = img.attrs['src']
- array = url.split('/')
- file_name = array[len(array)-1]
- # print(file_name)
- # 防盜鏈加入Referer
- headers = {'Referer': href}
- img = requests.get(url, headers=headers)
- # print('開始保存圖片')
- f = open(file_name, 'ab')
- f.write(img.content)
- # print(file_name, '圖片保存成功!')
- f.close()
- exceptExceptionas e:
- print(e)
- # 主方法
- def main():
- res = requests.get(mziTu, headers=headers)
- # 使用自帶的html.parser解析
- soup = BeautifulSoup(res.text, 'html.parser')
- # 創建文件夾
- createFile(save_path)
- # 獲取首頁總頁數
- img_max = soup.find('div', class_='nav-links').find_all('a')[3].text
- # print("總頁數:"+img_max)
- for i in range(1, int(img_max) + 1):
- # 獲取每頁的URL地址
- if i == 1:
- page = mziTu
- else:
- page = mziTu + 'page/' + str(i)
- file = save_path + '/' + str(i)
- createFile(file)
- # 下載每頁的圖片
- print("套圖頁碼:" + page)
- download(page, file)
- if __name__ == '__main__':
main()
腳本在Linux服務器下運行,執行以下命令
- python 3 mzitu.py
- # 或者後臺執行
- nohup python3 -u mzitu.py > mzitu.log 2>&1 &
目前只爬取了一個欄目的套圖,一共17G,5332張圖片。
- [root@itstyle mzitu]# du -sh
- 17G .
- [root@itstyle mzitu]# ll -s
- total 5332
下面,請小夥伴們睜大眼睛,雞凍人心的套圖時刻來了。
作為一個python學者,腳本肯定多多少少有一些問題或者待優化的地方,另外注意:很多人學Python過程中會遇到各種煩惱問題,沒有人解答容易放棄。為此我建了個python學習資源群裡面有最新學習資料,如果你想學python,可以關注我,後臺私信我 ‘py’ 自動獲取最新python教程資料!還有老司機解答哦!
本文的文字及圖片來源於網絡加上自己的想法,僅供學習、交流使用,不具有任何商業用途,版權歸原作者所有,如有問題請及時聯繫我們以作處理。
閱讀更多 編程叫獸 的文章