一：前言
嘀嘀嘀，上車請刷卡。昨天看到了不錯的圖片分享網——花瓣，裏面的圖片質量還不錯，所以利用selenium+xpath我把它的妹子的欄目下爬取了下來，以圖片欄目名稱給文件夾命名分類保存到電腦中。這個妹子主頁http://huaban.com/boards/favorite/beauty 是動態加載的，如果想獲取更多內容可以模擬下拉，這樣就可以更多的圖片資源。這種之前爬蟲中也做過，但是因爲網速不夠快所以我就抓了19個欄目，一共500多張美圖，也已經很滿意了。
先看看效果：
二：運行環境
- IDE：Pycharm
- Python3.6
- lxml 3.7.2
- Selenium 3.4.0
- requests 2.12.4
三：實例分析
1.這次爬蟲我開始做的思路是：進入這個網頁http://huaban.com/boards/favorite/beauty然後來獲取所有的圖片欄目對應網址，然後進入每一個網頁中去獲取全部圖片。（如下圖所示）
2.但是爬取獲取的圖片分辨率是236x354，圖片質量不夠高，但是那個時候已經是晚上1點30之後了，所以第二天做了另一個版本：在這個基礎上再進入每個縮略圖對應的網頁，再抓取像下面這樣高清的圖片。
四：實戰代碼
1.第一步導入本次爬蟲需要的模塊
__author__ = '布咯咯_rieuse'
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.ui import WebDriverWait
from selenium import webdriver
import requests
import lxml.html
import os2.下面是設置webdriver的種類，就是使用什麼瀏覽器進行模擬，可以使用火狐來看它模擬的過程，也可以是無頭瀏覽器PhantomJS來快速獲取資源，['--load-images=false', '--disk-cache=true']這個意思是模擬瀏覽的時候不加載圖片和緩存，這樣運行速度會加快一些。WebDriverWait標明最大等待瀏覽器加載爲10秒，set_window_size可以設置一下模擬瀏覽網頁的大小。有些網站如果大小不到位，那麼一些資源就不加載出來。
# SERVICE_ARGS = ['--load-images=false', '--disk-cache=true']
# browser = webdriver.PhantomJS(service_args=SERVICE_ARGS)
browser = webdriver.Firefox()
wait = WebDriverWait(browser, 10)
browser.set_window_size(1400, 900)3.parser(url, param)這個函數用來解析網頁，後面有幾次都用用到這些代碼，所以直接寫一個函數會讓代碼看起來更整潔有序。函數有兩個參數：一個是網址，另一個是顯性等待代表的部分，這個可以是網頁中的某些板塊，按鈕，圖片等等...
def parser(url, param):
browser.get(url)
wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, param)))
html = browser.page_source
doc = lxml.html.fromstring(html)
return doc4.下面的代碼就是解析本次主頁面http://huaban.com/boards/favorite/beauty/ 然後獲取到每個欄目的網址和欄目的名稱，使用xpath來獲取欄目的網頁時，進入網頁開發者模式後，如圖所示進行操作。之後需要用欄目名稱在電腦中建立文件夾，所以在這個網頁中要獲取到欄目的名稱，這裏遇到一個問題，一些名稱不符合文件命名規則要剔除，我這裏就是一個 * 影響了。
def get_main_url():
print('打開主頁搜尋鏈接中...')
try:
doc = parser('http://huaban.com/boards/favorite/beauty/', '#waterfall')
name = doc.xpath('//*[@id="waterfall"]/div/a[1]/div[2]/h3/text()')
u = doc.xpath('//*[@id="waterfall"]/div/a[1]/@href')
for item, fileName in zip(u, name):
main_url = 'http://huaban.com' + item
print('主鏈接已找到' + main_url)
if '*' in fileName:
fileName = fileName.replace('*', '')
download(main_url, fileName)
except Exception as e:
print(e)
5.前面已經獲取到欄目的網頁和欄目的名稱，這裏就需要對欄目的網頁分析，進入欄目網頁後，只是一些縮略圖，我們不想要這些低分辨率的圖片，所以要再進入每個縮略圖中，解析網頁獲取到真正的高清圖片網址。這裏也有一個地方比較坑人，就是一個欄目中，不同的圖片存放dom格式不一樣，所以我這樣做
img_url = doc.xpath('//*[@id="baidu_image_holder"]/a/img/@src')
img_url2 = doc.xpath('//*[@id="baidu_image_holder"]/img/@src')
這就把兩種dom格式中的圖片地址都獲取了，然後把兩個地址list合併一下。img_url +=img_url2
在本地創建文件夾使用filename = 'image\{}\'.format(fileName) + str(i)
+ '.jpg'表示文件保存在與這個爬蟲代碼同級目錄image下，然後獲取的圖片保存在image中按照之前獲取的欄目名稱的文件夾中。
def download(main_url, fileName):
print('-------準備下載中-------')
try:
doc = parser(main_url, '#waterfall')
if not os.path.exists('image\\' + fileName):
print('創建文件夾...')
os.makedirs('image\\' + fileName)
link = doc.xpath('//*[@id="waterfall"]/div/a/@href')
# print(link)
i = 0
for item in link:
i += 1
minor_url = 'http://huaban.com' + item
doc = parser(minor_url, '#pin_view_page')
img_url = doc.xpath('//*[@id="baidu_image_holder"]/a/img/@src')
img_url2 = doc.xpath('//*[@id="baidu_image_holder"]/img/@src')
img_url +=img_url2
try:
url = 'http:' + str(img_url[0])
print('正在下載第' + str(i) + '張圖片，地址：' + url)
r = requests.get(url)
filename = 'image\\{}\\'.format(fileName) + str(i) + '.jpg'
with open(filename, 'wb') as fo:
fo.write(r.content)
except Exception:
print('出錯了！')
except Exception:
print('出錯啦!')
if __name__ == '__main__':
get_main_url()五：總結
這次爬蟲繼續練習了Selenium和xpath的使用，在網頁分析的時候也遇到很多問題，只有不斷練習才能把自己不會部分減少，當然這次爬取了500多張妹紙還是挺養眼的。