python學習筆記——爬蟲3——斷點續下

用MongoDB數據庫記錄已下載過的地址

使用PyMongo模塊

直接代碼：

主程序：

#導入需要的包
from bs4 import BeautifulSoup
import os
from BackClimb import down
from pymongo import MongoClient
import datetime

#建立一個抓圖類
class mzitu():

    #創建數據庫調用函數
    def __init__(self):
        client = MongoClient()##與MongoDB建立鏈接，這是默認鏈接本地MongoDB數據庫
        db = client['meinvxiezhenji']##選擇一個數據庫
        self.meizitu_collection = db['meizitu']##在meinvxiezhenji這個數據庫中，選擇一個集合
        self.title = ''##用來保存頁面主題
        self.url = ''##用來保存頁面地址
        self.img_urls = []##初始化一個列表，用來保存圖片地址

    #主入口函數
    def all_url(self,url):
        html = down.get(url,3) ##調用request函數吧地址傳進去，返回一個response
        all_a = BeautifulSoup(html.text,'lxml').find('div',class_='all').find_all('a')##用Soup對象的find方法找標籤先查找class爲all的div標籤，然後查找所有<a>標籤。find_all是查找所有<a>標籤
        for a in all_a:
            title = a.get_text()
            self.title = title  ##將主題保存到self.title中
            print(u'開始保存:',title)##提示保存XXX
            path = str(title).replace('?','_')##設置名字變量，將？替換成_
            self.mkdir(path)##調用mkdir函數創建文件夾，path代表的是標題名
            os.chdir('F:\mzitu\\'+path) ##改變工作路徑
            href = a['href']##取出<a>裏面的href屬性
            self.url = href ##將頁面地址保存到self.url中
            if self.meizitu_collection.find_one({'主題頁面':href}): ##判斷這個主題是否已經在數據庫中，不在就運行eles下的內容，在則忽略。
                print(u'這個頁面已經爬過了!')
            else:
                self.html(href)##調用html函數吧href參數傳遞過去，href是套圖的地址

    #設置一個函數處理套圖地址獲得圖片的頁面地址
    def html(self,href):
        html = down.get(href,3)##調用request函數把套圖地址傳進去，返回一個response
        max_span = BeautifulSoup(html.text,'lxml').find_all('span')[10].get_text()##查找所有的<span>標籤獲取最後一個標籤中的文本也就是最後一個頁面了
        page_num =0 ##這個當作計數器用，用來判斷圖片是否下載完畢
        for page in range(1,int(max_span)+1):##用range產生頁面序列
            page_num = page_num+1 ##每for循環一次+1，當page_num等於max_span的時候，就證明我們在下載最後一張圖片了
            page_url = href + '/'+str(page)##手動拼接每一個頁面地址
            self.img(page_url,max_span,page_num)##調用img函數,把上面需要的兩個變量，傳遞給下一個函數。

    #設置一個函數處理圖片頁面地址獲得圖片的實際地址
    def img(self,page_url,max_span,page_num):
        img_html = down.get(page_url,3)##調用request函數把圖片頁面地址傳進去，返回一個response
        img_url = BeautifulSoup(img_html.text,'lxml').find('div',class_='main-image').find('img')['src']##用img_Soup對象的find方法找標籤先查找class爲main-image的div標籤，然後查找<img>標籤裏面的src。
        self.img_urls.append(img_url)##每一次for page in range(1,int(max_span)+1)獲取到的圖片地址都會添加到img_urls這個初始化的列表中
        if int(max_span) == page_num:##傳遞下來的兩個參數用上了，當max_span和page_num相等是，就是最後一張圖片，最後一次下載圖片並保存到數據庫中。
            self.save(img_url)
            post = {##這是構造一個字典，
                '標題':self.title,'主題頁面':self.url,'圖片地址':self.img_urls,'獲取時間':datetime.datetime.now()
            }
            self.meizitu_collection.save(post)##將post中的內容寫入數據庫
            print (u'插入數據庫成功')
        else: ##max_span 不等於page_num的時候執行下面這段
            self.save(img_url)##調用save函數保存圖片，把img_url地址傳遞過去

    #設置一個保存圖片的函數
    def save(self,img_url):
        name = img_url[-9:-4]##取url的倒數第四至第九位做圖片的名字
        print('開始保存:',img_url)
        img = down.get(img_url,3)##調用request函數把圖片地址傳進去，返回一個response
        f = open(name+'.jpg','ab')##寫入多媒體文件必須要b這個參數
        f.write(img.content)##多媒體文件要用conctent
        f.close()##關閉文件對象

    #創建一個函數用來創建文件夾
    def mkdir(self,path):
        path = path.strip() ##去除path前後空格
        isExists = os.path.exists(os.path.join('F:\mzitu',path))##join將各部分合成一個路徑名。os.path.exists判斷後面的路徑是否存在
        if not isExists: ##如果爲False，創建文件夾
            print(u'創建了一個名字叫做',path,u'的文件夾!')
            os.makedirs(os.path.join('F:\mzitu',path))##創建多層文件夾，用join合成單獨的一個路徑文件夾
            return True
        else:
            print(u'名字叫做',path,u'的文件夾已經存在了！')
            return False
    #
    # #創建獲取網頁response的函數並返回
    # def request(self,url):
    #     headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36'}#設置瀏覽器請求頭
    #     content = requests.get(url,headers=headers) ##使用requests中的get方法獲取頁面的內容，加上瀏覽器請求頭
    #     return content

Mzitu = mzitu()  ##實例化
#這就是入口！
Mzitu.all_url('http://www.mzitu.com/all')

下載模塊：

import requests
import re
import random
import time

#創建一個反反爬的類
class download:
    def __init__(self):

        self.iplist = [] ##初始化一個list用來存放獲取到的ip
        html = requests.get(' http://haoip.cc/tiqu.htm')##使用requests中的get方法獲取頁面的內容
        iplistn = re.findall(r'r/>(.*?)<b',html.text,re.S)##正則表達式，表示從html中獲取所有r/><b中的內容，re.S的意思是包括匹配包括換行符，findall返回的是列表
        for ip in iplistn:
            i = re.sub('\n','',ip)##利用re.sub替換方法，將\n替換爲空
            self.iplist.append(i.strip())##將兩端去除空格後添加到上面的list裏面

        self.user_agent_list=[
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
            "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
            "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
            "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
            "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
            "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
            "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
            "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
            "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
            "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
        ]

    def get(self,url,timeout,proxy=None,num_retries=6):##給函數一個默認參數proxy爲空,默認num_retries爲6次
        UA = random.choice(self.user_agent_list)##從user_agent_list中隨機取出一個字符串。
        headers = {'User_Agent':UA}##構造一個完整的User_Agent

        if proxy == None:##當代理爲空時，不使用代理獲取response
            try:
                return requests.get(url,headers=headers)##返回一個requests.get的頁面文件，調用隨機的headers，服務器以爲我們是真的瀏覽器了
            except:##如果上面的代碼執行報錯則執行下面的代碼
                if num_retries >0: ##num_retries是限定的重試次數
                    time.sleep(10) ##延遲10秒
                    print(u'獲取網頁出錯，10s後將獲取倒數第：',num_retries,u'次')
                    return self.get(url,timeout,num_retries-1)##調用自身，並減1，實現循環6次
                else:
                    print(u'開始使用代理')
                    time.sleep(10)
                    IP = ''.join(str(random.choice(self.iplist)).strip())##將從self.iplist中隨機獲取的字符串處理成需要的格式。去除兩邊空格後，用join拼接？
                    proxy = {'http':IP}
                    return self.get(url,timeout,proxy)##代理不爲空的時候

        else: ##當代理不爲空
            try:
                IP = ''.join(str(random.choice(self.iplist)).strip())##將從self.iplist中隨機獲取的字符串處理成需要的格式。去除兩邊空格後，用join拼接？
                proxy = {'http':IP}##構造成一個代理
                return requests.get(url,headers=headers,proxies = proxy,timeout=timeout)##使用代理獲取response
            except:
                if num_retries >0:
                    time.sleep(10)
                    IP = ''.join(str(random.choice(self.iplist)).strip())
                    proxy = {'http':IP}
                    print(u'正在更換代理，10s後將重新獲取倒數第',num_retries,u'次')
                    print(u'當前代理是：',proxy)
                    return self.get(url,timeout,proxy,num_retries-1)
                else:
                    print(u'代理也不好使！取消代理')
                    return self.get(url,3)

down = download()