B站壁纸爬虫
- exe下载:链接 提取码:7ic2
- 相关代码:见博文
- 说明:网络爬虫“盗亦有道“,查看b站的robots协议可以发现部分是不允许商业/恶意爬取的,所以图片的版权归作者,任何利用资料的盈利行为将可能触及法律边界
技术线:requests - bs4
实现思路:由用户输入关键字,然后在搜索框模拟输入“关键字 + 壁纸”并进去“专栏”网页。依次进入每个链接里爬取图片,并爬完当前页进入下一页
具体流程:
进入“专栏“
我先搜索了蕾姆和御阪美琴两个关键字,可以发现规律就是keyword=xxx
那么获得用户输入后就可以造出相应的专栏的网站url
代码大概这样写:
keyword = input('输入你想爬取的角色名:') + '壁纸' url = 'https://search.bilibili.com/article?keyword=' + keyword
有一个小问题,这样只能跳转到第1页,如果想爬取第二页怎么办呢?
很容易发现规律,网站的url变化只是在page那发生了改动
所以不妨可以写出造出爬取n页的代码:
keyword = input('输入你想爬取的角色名:') + '壁纸' dep = int(input('输入爬取的深度(页数):')) for i in range(0, dep): url = 'https://search.bilibili.com/article?keyword=' + keyword + '&page=' + str(i + 1)
OK这样就爬取到了n页“专栏”的url。
进入相应的链接
可以看到,我们必须进入每一个链接才能爬取图片,所以我查看了“专栏”网页的源代码,如下
- 可以看到,每个链接都是在一个< li >标签里,并且其属性的class为article-item(我用高亮标识出来了)
那么就可以用bs4的find_all就可以找到每一个标签,代码如下:
lis = soup.find_all('li', attrs={'class', 'article-item'})
但是具体的链接通过源代码可以发现是在< li >标签下的< a >标签里的href属性,所以找出链接的代码如下:
for li in lis: a = li.find('a') url = 'https:' + a.attrs['href']
爬取图片
进入每一个链接后效果如上,但如何爬取下每一张图片呢,我再一次查看源代码
发现属性class为article-holder的div标签里存储的是这个链接里所有正文部分里图片的url,div儿子中每一个< img >标签里就有一张图片的url链接,我们截取出来即可,代码如下:
div = soup.find('div', attrs={'class', 'article-holder'}) imgs = div.find_all_next('img') for img in imgs: link = 'https:' + img.attrs['data-src']
效果图
程序开头
爬取过程
成果图
全部代码:
# 壁纸爬虫
import requests, bs4, os, time
from bs4 import BeautifulSoup
ans = []
def makeSoup(url):
try:
r = requests.get(url)
r.raise_for_status()
return BeautifulSoup(r.text, 'html.parser')
except:
pass
def getData(url):
try:
soup = makeSoup(url)
div = soup.find('div', attrs={'class', 'article-holder'})
imgs = div.find_all_next('img')
for img in imgs:
link = 'https:' + img.attrs['data-src']
ans.append(link)
except:
pass
def getHtml(soup):
count = 0
print('\r进度:0.00', end="")
lis = soup.find_all('li', attrs={'class', 'article-item'})
for li in lis:
a = li.find('a')
url = 'https:' + a.attrs['href']
getData(url)
count += 1
print('\r进度:{:.2%}'.format(count / len(lis)), end="")
def getName(url):
return str(url.split('/')[-1].split('.')[0]) + '.jpg'
def download():
count = 0
n = int(input('\n已捕获图片' + str(len(ans)) + '张,请输入要下载的张数:'))
if n > len(ans) or n < 0: n = 0
root = 'D:\爬虫文件夹' + '\\'
if not os.path.exists(root): os.mkdir(root)
for i in range(0, n):
path = root + getName(ans[i])
if not os.path.exists(path):
try:
r = requests.get(ans[i])
with open(path, 'wb') as f:
f.write(r.content)
except:
pass
count += 1
print('\r进度:{:.2%}'.format(count / n), end="")
print('下载完成')
def main():
print('0. 开发者:周其星')
print('1. 本程序仅用来学习交流,用于盈利行为后果自负!')
print('2. 爬取的资源将会下载到D盘的\"爬虫资源\"里')
print('3. 有些图片分辨率过高可以通过\"画图\"打开')
print('4. 网络不行可能会导致跳过下载某些资源,重新试几次就行')
print()
keyword = input('输入你想爬取的角色名:') + '壁纸'
dep = int(input('输入爬取的深度(页数):'))
for i in range(0, dep):
url = 'https://search.bilibili.com/article?keyword=' + keyword + '&page=' + str(i + 1)
getHtml(makeSoup(url))
download()
time.sleep(2)
if __name__ == '__main__': main()