python爬取壁纸，软件区同步发布成品，以及记录我的倔强

MyModHeaven · 发表于 2021-10-16 17:18

那天，我在吾爱上逛，看见一篇文章：Python自学记录--实战1--爬取美女图片。碰巧的是，我也正在学习爬虫，只是当时还没有学lxml库，心里一激动，抓紧学了一下。然后就开始尝试自己写程序爬取楼主练手的网站，经过漫长的煎熬，一个多星期内，多次弃之不管，然后再次捡起，我的第一个爬虫程序终于勉强可以用了。

我感觉主要是因为我根本没接触过 HTML，和编程的交集只有刚入门的 python，所以在 HTML 中匹配图片网址的地方浪费了很多时间，经常返回一个空的列表，让我抓狂

和上面那篇文章相比，改进的地方有：

下载下来的图片名是乱码（通过chardet库检测网站编码为 GB2312 ，重编码为 GBK）
将代码分割为一个个的函数，函数式编程，方便调用和修正
扩大壁纸的范围（原帖只下载了美女类别的壁纸）
加入headers参数，一定程度上提高爬虫的稳定性（那一堆ua也是在吾爱上的一个帖子里抄来的）
生成可执行文件，电脑上没有 python 环境的小可爱也可以用（比较简陋，因为打包文件我只会一丢丢）
减少一个潜在的错误：图片下载的默认保存位置是 D盘的ptoto文件夹，但是，如果没有提前新建这个目录，程序就会产生错误。为此，我专门去百度，抄来用os新建文件夹的代码

在我没有学习爬虫之前，曾经也复制过吾友的代码尝试过运行，总是发生错误。而当时的我没有能力解决错误，就遇错避之，体验很差，所以我尽量降低使用门槛

原帖评论中有位老哥加了IP代{过}{滤}理和多线程，还定义了一个类，很高级，很强大，但是面向对象我还不怎么懂，也没接触过IP代{过}{滤}理，使用起来还是有一定门槛的

温馨提示：我看这个网站的图片基本上都可以免费下载，所以就别一下子爬很多图片了，一天下个几十张还不够？我低调，他不知道，两方利好，皆大欢喜。对于花费时间得到的东西：用到了，就是珍宝；用不到，放在一边蒙尘，就是垃圾

注意，如果遇到了拦路虎，请看：

默认保存位置是 d:\photo_from_52pojie.com

对于想复制代码自己运行的，两个地方需要注意：

requests, lxml, chardet 这三个都是第三方库，需要先下载下来
ua在这里： ua.7z (1.51 KB, 下载次数: 38)

2021-10-16 16:25 上传
点击文件名下载附件解压即可

。（不能上传py文件，我没敢用 txt 格式，担心格式错误）运行程序的时候把ua.py和主程序的文件放在一个目录下就行

对于下载 exe 文件的，两个地方需要注意：

发布成品的帖子：

【python原创】temp_2 V1.0 壁纸爬取下载（单文件）
https://www.52pojie.cn/thread-1528917-1-1.html
(出处: 吾爱破解论坛)

不论是程序运行出错，还是成功下载，最后都会突然关闭页面。除非你眼光犀利到可以在那不到一秒的时间看见最后出来的字，否则想知道结果只能去 d:\photo_from_52pojie.com 这个目录看看有没有下载下来
我已经尽力了，体验确实不好，其他的我不会

代码

import requests
from lxml import etree
import chardet
import ua
import os

def select_catgory():
    print('''网站的壁纸按内容分类，共有 23 种，分别是：\n
    1. 日历    2. 动漫    3. 风景    4. 美女    5. 游戏    6. 影视    7. 动态\n
    8. 唯美    9. 设计    10.花卉    11.动物    12.节日    13.人物    14.美食\n
    15.水果    16.建筑    17.体育    18.军事    19.非主流  20.护眼    21.LOL\n
    22.王者荣耀 23.其他\n\n''')
    choice = int(input('按照分类下载，输入对应分类序号；随机下载，输入“0”。请输入：\n'))
    choices = ['http://www.netbian.com/',
                'http://www.netbian.com/rili/',
                'http://www.netbian.com/dongman/',
                'http://www.netbian.com/fengjing/',
                'http://www.netbian.com/meinv/',
                'http://www.netbian.com/youxi/',
                'http://www.netbian.com/yingshi/',
                'http://www.netbian.com/dongtai/',
                'http://www.netbian.com/weimei/',
                'http://www.netbian.com/sheji/',
                'http://www.netbian.com/huahui/',
                'http://www.netbian.com/dongwu/',
                'http://www.netbian.com/jieri/',
                'http://www.netbian.com/renwu/',
                'http://www.netbian.com/meishi/',
                'http://www.netbian.com/shuiguo/',
                'http://www.netbian.com/jianzhu/',
                'http://www.netbian.com/tiyu/',
                'http://www.netbian.com/junshi/',
                'http://www.netbian.com/feizhuliu/',
                'http://www.netbian.com/s/huyan/',
                'http://www.netbian.com/s/lol/',
                'http://www.netbian.com/s/wangzherongyao/',
                'http://www.netbian.com/qita/']
    global index_urls
    index_urls = []
    index_urls.append(choices[choice])
    global n
    n = int(input("需要下载多少张壁纸？\n"))

def get_code_type():
    # 请求首页
    global r
    r = requests.get('http://www.netbian.com/', headers=ua.ua())
    code_type = chardet.detect(r.content)['encoding']
    if code_type == 'GB2312':
        code_type = 'GBK'
    r.encoding = code_type

def get_pre(n):
    global page_urls
    page_urls = []
    # 网站总共 1216 页
    for i in range(1, n//20+2):
        # 获取每一张图片所在页面的 URL，来下载图片原图
        r_i = requests.get(index_urls[i-1], headers=ua.ua())
        html = etree.HTML(r_i.text)
        page_urls += html.xpath('body//*[@class="list"]/ul//li/a/@href')
        index_url = '{}index_{}.htm'.format(index_urls[0], i+1)
        index_urls.append(index_url)        

def get_jpg():
# 获取每一张图片的 URL，下载图片原图
    for page_url in page_urls:
        if page_urls.index(page_url) > n-1:
            break
        r_page = requests.get('http://www.netbian.com'+page_url, headers=ua.ua())
        if r.encoding == 'GBK':
            r_page.encoding = 'GBK'
        html = etree.HTML(r_page.text)
        jpg_url = html.xpath('body//*[@class="pic"]/p/a/img/@src')
        jpg_title = html.xpath('body//*[@class="pic"]/p/a/img/@title')
        jpg = list(zip(jpg_title, jpg_url))
        r_jpg = requests.get(jpg[0][1], headers=ua.ua())
        if r.encoding == 'GBK':
            r_jpg.encoding = 'GBK'
        if os.path.exists(r'd:\photo_from_52pojie.com'):
            pass
        else:
            os.mkdir(r'd:\photo_from_52pojie.com')
        with open(fr'd:\photo_from_52pojie.com\{jpg[0][0]}.jpg', 'wb') as f:
            f.write(r_jpg.content)
            print('第{}张图片下载完成！'.format(page_urls.index(page_url)+1))  

def main():
    get_code_type()
    try:
        select_catgory()
        get_pre(n)
        get_jpg()
        print(f'{n}张图片全部下载完成，默认保存位置是 d:\photo_from_52pojie.com')
    except ValueError:
        print('输入有误，请输入一个非负整数！')
    except IndexError:
        print('请输入正确的序号！')
    except:
        print('发生未知错误！')

main()

我的倔强

有时候，为了心中莫名的倔强，你会坚持泅水过河，而不是走旁边的桥

于是，过河后，我一边拧着身上的水，一边笑嘻嘻，心里甜蜜蜜

我希望可以选择性的下载网站中各个类别的壁纸，所以，昨天下午，我在代码中加了这些东西：

如你所见，过程枯燥无比，代码又臭又长。甚至还想着把这个函数单独放在一个py文件里，然后import

今天早上打开文件的时候灵光一闪，把所有的网址放进一个列表里，然后通过索引访问网址不好吗？

说干就干，我开始把网址一个个的复制进列表里，，，

在复制的过程中，我想起来一件事：在学习 python 之前，我听说过一句话，大致意思是所有重复性很高的工作都可以交给计算机来做。

然后我就想，在交给计算机之前，人还是要做一些重复性的工作啊。突然，我又灵光一闪，现在做的事也可以交给计算机啊

别看说起来啰里吧嗦，实际上只在须臾之间就发生了，像玄幻小说里写的一样：眨眼间过招百余次

我向下滑了滑鼠标滚轮，发现此时复制了 8 个网址，大概 1/3 ，嗯，有操作空间

说干就干，我把那一堆if语句复制到一个空文件。稍加琢磨，写出如下东东：

result = []
for choice in range(24):
    if choice == 0:
        # 省略几十行
        else:
        index_urls = ['http://www.netbian.com/qita/']
    result += index_urls
print(result)

结果如下：

['http://www.netbian.com/', 'http://www.netbian.com/rili/', 'http://www.netbian.com/dongman/', 'http://www.netbian.com/fengjing/', 'http://www.netbian.com/meinv/', 'http://www.netbian.com/youxi/', 'http://www.netbian.com/yingshi/', 'http://www.netbian.com/dongtai/', 'http://www.netbian.com/weimei/', 'http://www.netbian.com/sheji/', 'http://www.netbian.com/huahui/', 'http://www.netbian.com/dongwu/', 'http://www.netbian.com/jieri/', 'http://www.netbian.com/renwu/', 'http://www.netbian.com/meishi/', 'http://www.netbian.com/shuiguo/', 'http://www.netbian.com/jianzhu/', 'http://www.netbian.com/tiyu/', 'http://www.netbian.com/junshi/', 'http://www.netbian.com/feizhuliu/', 'http://www.netbian.com/s/huyan/', 'http://www.netbian.com/s/lol/', 'http://www.netbian.com/s/wangzherongyao/', 'http://www.netbian.com/qita/']

本来，事情到这里就结束了，但是，我又想把这个列表中的每个元素单独放在一行，只是为了整洁美观

说干就干，我开始一下一下按 enter 键，在我按了两次后，突然又灵光一闪，让程序输出我想要的样子不行吗？

然后我把这个结果复制进文件，开始观察，同时心中飘过一些碎碎念：print()输出的字符串没有引号；用join()方法行不行；。。。

几经修改，代码变成了这个样子：

result = []
for choice in range(24):
    if choice == 0:
        # 省略几十行
        else:
        index_urls = ['http://www.netbian.com/qita/']
    result += index_urls
for i in range(24):
    print("'{}'".format(result[i]),end='')
    if i == 23:
        break
    print(',')

运行结果：

'http://www.netbian.com/',
'http://www.netbian.com/rili/',
'http://www.netbian.com/dongman/',
'http://www.netbian.com/fengjing/',
'http://www.netbian.com/meinv/',
'http://www.netbian.com/youxi/',
'http://www.netbian.com/yingshi/',
'http://www.netbian.com/dongtai/',
'http://www.netbian.com/weimei/',
'http://www.netbian.com/sheji/',
'http://www.netbian.com/huahui/',
'http://www.netbian.com/dongwu/',
'http://www.netbian.com/jieri/',
'http://www.netbian.com/renwu/',
'http://www.netbian.com/meishi/',
'http://www.netbian.com/shuiguo/',
'http://www.netbian.com/jianzhu/',
'http://www.netbian.com/tiyu/',
'http://www.netbian.com/junshi/',
'http://www.netbian.com/feizhuliu/',
'http://www.netbian.com/s/huyan/',
'http://www.netbian.com/s/lol/',
'http://www.netbian.com/s/wangzherongyao/',
'http://www.netbian.com/qita/'

对的，你没有看错，只是为了最后那一个逗号不用 delete 键删除，我在像看媳妇一样看了运行结果几秒后，多写了 3 行代码，然后花费了好几分钟调试：两个print语句到底哪个后面需要加end参数？怎么逗号单独成行了？怎么两个 URL 之间有个空行？还用了两三分钟琢磨这段话废话怎么写，然后敲下来。

一切，只是为了倔强

有时候，为了心中莫名的倔强，你会坚持泅水过河，而不是走旁边的桥

于是，过河后，我一边拧着身上的水，一边笑嘻嘻，心里甜蜜蜜

不管是手动复制，还是按回车，甚至是删除一个标点符号，我都不愿意手动完成，只是为了实现那句话：交给计算机做

完成一切之后，我又想：为什么不想办法让程序直接输出一个列表呢？这样你连[]都不用加了。我想，是因为：解决这三件琐碎事情，我已经心疲力竭，耗光了倔强，耐心也消耗殆尽。已经浪费了不少时间，是时候停止顽皮了。

嘿，哥们，你的beautifulsoup4还没练会呢，你的作业还没写呢，你的淘宝嫖红包的每日任务还没做呢，你的肚子好像快饿了，你今天还没浏览美女图片以求长寿呢，，，

angle951 · 发表于 2021-10-16 20:37

这就是“初极狭才通人，步行数十步，豁然开朗”

suyaming · 发表于 2021-10-16 22:47

其实分类的获取也可以写成函数，返回一个字典

[Python] 纯文本查看 复制代码

import requests
from bs4 import BeautifulSoup


def get_sort():
    all_sort = {}
    url = 'http://www.netbian.com'
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.107 Safari/537.36'
    }
    respone = requests.get(url, headers=headers)
    respone.encoding = 'gb2312'
    soup = BeautifulSoup(respone.text, 'lxml')
    all_result = soup.find(attrs={'class': 'nav cate'}).find_all('a')
    for i in all_result:
        if 'http:' in i.get('href'):
            all_sort[i.string] = i.get('href')
        else:
            all_sort[i.string] = url + i.get('href')
    return all_sort


if __name__ == '__main__':
    sort = get_sort()
    for k, v in enumerate(sort):
        print(k, v, sort[v])

1522770407cl · 发表于 2021-10-16 17:27

能坚持学就很牛了，我学一会就想睡觉。。。。

就是那个秋 · 发表于 2021-10-16 17:56

加油继续提升

gongxujian1982 · 发表于 2021-10-16 18:02

这个我也尝试过学，只是学不下去……

hrpeng89 · 发表于 2021-10-16 18:18

很好很强大

C哥888 · 发表于 2021-10-16 18:22

同一网址，楼主一开始不写判断语句，后面的修改写了条件执行判断，少写很多代码，好像后面没有写结束判断语句end。

探玄珠 · 发表于 2021-10-16 20:29

芜湖，支持一下

xuexiba · 发表于 2021-10-16 22:13

支持楼主的坚持。

帐号		自动登录	找回密码
密码			注册[Register]

[Python 原创] python爬取壁纸，软件区同步发布成品，以及记录我的倔强

注意，如果遇到了拦路虎，请看：

代码

我的倔强

免费评分

个人中心