吾爱破解 - LCG - LSG |安卓破解|病毒分析|破解软件|www.52pojie.cn

 找回密码
 注册[Register]

QQ登录

只需一步,快速开始

搜索
查看: 1281|回复: 16
上一主题 下一主题

[Python] 美女图片爬虫实战--轻松爬取几万张美女图片

[复制链接]
跳转到指定楼层
楼主
netCafe 发表于 2019-10-10 20:37 回帖奖励
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

  1. python3开发环境

  2. 相应的python包:

    import urllib.request
    from lxml import etree
    import re
    import os
    import datetime
  3. 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

  4. 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.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403404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。

免费评分

参与人数 7吾爱币 +11 热心值 +6 收起 理由
klan2015 + 1 热心回复!
lin_xop + 1 + 1 热心回复!
fjs4839 + 1 + 1 我很赞同!
苏紫方璇 + 5 + 1 欢迎分析讨论交流,吾爱破解论坛有你更精彩!
zhanglei1371 + 1 + 1 热心回复!
Starry666 + 1 + 1 用心讨论,共获提升!
niebaohua + 1 + 1 用心讨论,共获提升!

查看全部评分

本帖被以下淘专辑推荐:

发帖前要善用论坛搜索功能,那里可能会有你要找的答案或者已经有人发布过相同内容了,请勿重复发帖。

推荐
 楼主| netCafe 发表于 2019-10-11 08:15 <
离人心上秋意浓 发表于 2019-10-10 21:24
大多数年轻人第一次爬图之选~   这网站受得了么

当时是做web项目需要一点图片,所以顺手爬取了一些
推荐
 楼主| netCafe 发表于 2019-10-11 08:16 <
白帽 发表于 2019-10-10 20:44
求资源 哈哈  老哥666

教程很详细了,具体了打包过程就不给了。因为看到规则说不允许给出实际做好的程序
沙发
白帽 发表于 2019-10-10 20:44
3#
heng5632 发表于 2019-10-10 20:46
谢谢分享, NBKLS。
4#
tydzjing 发表于 2019-10-10 20:51
这个实例讲解很不错,我也照着做一个试试看
5#
LeeTsmon 发表于 2019-10-10 20:57
网站已暴露,哈哈
6#
包子入侵866 发表于 2019-10-10 21:09
厉害了66666666666
7#
Captain-Li 发表于 2019-10-10 21:14
感谢楼主分享
8#
离人心上秋意浓 发表于 2019-10-10 21:24
大多数年轻人第一次爬图之选~   这网站受得了么
9#
fjs4839 发表于 2019-10-10 21:29
真是热心呀
10#
yahu5 发表于 2019-10-10 21:50
真心好讲解
您需要登录后才可以回帖 登录 | 注册[Register]

本版积分规则 警告:禁止回复与主题无关内容,违者重罚!

快速回复 收藏帖子 返回列表 搜索

RSS订阅|小黑屋|联系我们|吾爱破解 - LCG - LSG ( 京ICP备16042023号 | 京公网安备 11010502030087号 )

GMT+8, 2019-10-16 09:59

Powered by Discuz!

© 2001-2017 Comsenz Inc.

快速回复 返回顶部 返回列表