爬虫分析
首先，我们已经爬取到了N多的用户个人主页，我通过链接拼接获取到了
www.moko.cc/post/da39db…
在这个页面中，咱们要找几个核心的关键点，发现 平面拍摄 点击进入的是图片列表页面。 接下来开始代码走起。
获取所有列表页面
我通过上篇博客已经获取到了70000（实际测试50000+）用户数据，读取到python中。
这个地方，我使用了一个比较好用的python库pandas，大家如果不熟悉，先模仿我的代码就可以了，我把注释都写完整。
importpandasaspd# 用户图片列表页模板user_list_url ="http://www.moko.cc/post/{}/list.html"# 存放所有用户的列表页user_profiles = []defread_data():# pandas从csv里面读取数据df = pd.read_csv("./moko70000.csv")#文件在本文末尾可以下载# 去掉昵称重复的数据df = df.drop_duplicates(["nikename"])# 按照粉丝数目进行降序profiles = df.sort_values("follows", ascending=False)["profile"]foriinprofiles:# 拼接链接user_profiles.append(user_list_url.format(i))if__name__ =='__main__': read_data() print(user_profiles)复制代码
数据已经拿到，接下来我们需要获取图片列表页面，找一下规律，看到重点的信息如下所示，找对位置，就是正则表达式的事情了。
快速的编写一个正则表达式 <p class="title"><a hidefocus="ture".*?href="(.*?)" class="mwC u">.*?\((\d+?)\)</a></p> 引入re,requests模块
import requestsimport re复制代码# 获取图片列表页面def get_img_list_page():# 固定一个地址，方便测试test_url ="http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/list.html"response = requests.get(test_url,headers=headers,timeout=3) page_text = response.textpattern = re.compile('.*?\((\d+?)\)')# 获取page_listpage_list = pattern.findall(page_text)复制代码
运行得到结果
[('/post/da39db43246047c79dcaef44c201492d/category/304475/1.html', '85'), ('/post/da39db43246047c79dcaef44c201492d/category/304476/1.html', '2'), ('/post/da39db43246047c79dcaef44c201492d/category/304473/1.html', '0')]复制代码
继续完善代码，我们发现上面获取的数据，有"0"的产生，需要过滤掉
# 获取图片列表页面def get_img_list_page():# 固定一个地址，方便测试test_url ="http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/list.html"response = requests.get(test_url,headers=headers,timeout=3) page_text = response.textpattern = re.compile('<p class="title"><a hidefocus="ture".*?href="(.*?)" class="mwC u">.*?\((\d+?)\)</a></p>')# 获取page_listpage_list = pattern.findall(page_text)# 过滤数据forpageinpage_list:ifpage[1] =='0':page_list.remove(page) print(page_list)复制代码
获取到列表页的入口，下面就要把所有的列表页面全部拿到了,这个地方需要点击下面的链接查看一下
www.moko.cc/post/da39db…
本页面有分页，4页，每页显示数据 4*7=28 条 所以，基本计算公式为 math.ceil(85/28) 接下来是链接生成了，我们要把上面的链接，转换成
http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/category/304475/1.htmlhttp://www.moko.cc/post/da39db43246047c79dcaef44c201492d/category/304475/2.htmlhttp://www.moko.cc/post/da39db43246047c79dcaef44c201492d/category/304475/3.htmlhttp://www.moko.cc/post/da39db43246047c79dcaef44c201492d/category/304475/4.html复制代码page_count = math.ceil(int(totle)/28)+1foriinrange(1,page_count):# 正则表达式进行替换pages = re.sub(r'\d+?\.html',str(i)+".html",start_page) all_pages.append(base_url.format(pages))复制代码
当我们回去到足够多的链接之后，对于初学者，你可以先干这么一步，把这些链接存储到一个csv文件中，方便后续开发
# 获取所有的页面defget_all_list_page(start_page,totle):page_count = math.ceil(int(totle)/28)+1foriinrange(1,page_count): pages = re.sub(r'\d+?\.html',str(i)+".html",start_page) all_pages.append(base_url.format(pages)) print("已经获取到{}条数据".format(len(all_pages)))if(len(all_pages)>1000): pd.DataFrame(all_pages).to_csv("./pages.csv",mode="a+") all_pages.clear()复制代码
让爬虫飞一会，我这边拿到了80000+条数据
好了，列表数据有了，接下来，我们继续操作这个数据，是不是感觉速度有点慢，代码写的有点LOW，好吧，我承认这是给新手写的 其实就是懒 ，我回头在用一篇文章把他给改成面向对象和多线程的
我们接下来基于爬取到的数据再次进行分析
例如 www.moko.cc/post/nimusi… 这个页面中，我们需要获取到，红色框框的地址，为什么要或者这个？因为点击这个图片之后进入里面才是完整的图片列表。
我们还是应用爬虫获取 几个步骤
循环我们刚才的数据列表
抓取网页源码
正则表达式匹配所有的链接
def read_list_data():# 读取数据img_list = pd.read_csv("./pages.csv",names=["no","url"])["url"]# 循环操作数据forimg_list_pageinimg_list:try: response = requests.get(img_list_page,headers=headers,timeout=3) except Exceptionase: print(e)continue# 正则表达式获取图片列表页面pattern = re.compile('<a hidefocus="ture" alt="(.*?)".*? href="(.*?)".*?>VIEW MORE</a>')img_box = pattern.findall(response.text) need_links = []# 待抓取的图片文件夹forimginimg_box: need_links.append(img)# 创建目录file_path ="./downs/{}".format(str(img[0]).replace('/', ''))ifnotos.path.exists(file_path): os.mkdir(file_path)# 创建目录forneedinneed_links:# 获取详情页面图片链接get_my_imgs(base_url.format(need[1]), need[0])复制代码
上面代码几个重点地方
pattern = re.compile('<a hidefocus="ture" alt="(.*?)".*? href="(.*?)".*?>VIEW MORE</a>')img_box = pattern.findall(response.text) need_links = []# 待抓取的图片文件夹forimginimg_box: need_links.append(img)复制代码
获取到抓取目录，这个地方，我匹配了两个部分，主要用于创建文件夹 创建文件夹需要用到 os 模块，记得导入一下
# 创建目录file_path ="./downs/{}".format(str(img[0]).replace('/',''))ifnotos.path.exists(file_path): os.mkdir(file_path)# 创建目录复制代码
获取到详情页面图片链接之后，在进行一次访问抓取所有图片链接
#获取详情页面数据def get_my_imgs(img,title): print(img)headers= {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"}response= requests.get(img,headers=headers,timeout=3)pattern= re.compile('
最后编写一个图片下载的方法,所有的代码完成，图片保存本地的地址，用的是时间戳。
def downs_imgs(img,title): headers ={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"} response = requests.get(img,headers=headers,timeout=3)content= response.contentfile_name= str(int(time.time()))+".jpg"file ="./downs/{}/{}".format(str(title).replace('/','').strip(),file_name) with open(file,"wb+") as f: f.write(content)print("完毕")复制代码
运行代码，等着收图
代码运行一下，发现报错了
原因是路径的问题，在路径中出现了...这个特殊字符，我们需要类似上面处理 / 的方式处理一下。自行处理一下吧。
数据获取到，就是这个样子的
代码中需要完善的地方
代码分成了两部分，并且是面向过程的，非常不好，需要改进
网络请求部分重复代码过多，需要进行抽象，并且加上错误处理，目前是有可能报错的
代码单线程，效率不高，可以参照前两篇文章进行改进
没有模拟登录，最多只能爬取6个图片，这也是为什么先把数据保存下来的原因，方便后期直接改造
