python学习笔记——爬虫3——断点续下

用MongoDB数据库记录已下载过的地址

使用PyMongo模块

直接代码：

主程序：

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

#建立一个抓图类
class mzitu():

    #创建数据库调用函数
    def __init__(self):
        client = MongoClient()##与MongoDB建立链接，这是默认链接本地MongoDB数据库
        db = client['meinvxiezhenji']##选择一个数据库
        self.meizitu_collection = db['meizitu']##在meinvxiezhenji这个数据库中，选择一个集合
        self.title = ''##用来保存页面主题
        self.url = ''##用来保存页面地址
        self.img_urls = []##初始化一个列表，用来保存图片地址

    #主入口函数
    def all_url(self,url):
        html = down.get(url,3) ##调用request函数吧地址传进去，返回一个response
        all_a = BeautifulSoup(html.text,'lxml').find('div',class_='all').find_all('a')##用Soup对象的find方法找标签先查找class为all的div标签，然后查找所有<a>标签。find_all是查找所有<a>标签
        for a in all_a:
            title = a.get_text()
            self.title = title  ##将主题保存到self.title中
            print(u'开始保存:',title)##提示保存XXX
            path = str(title).replace('?','_')##设置名字变量，将？替换成_
            self.mkdir(path)##调用mkdir函数创建文件夹，path代表的是标题名
            os.chdir('F:\mzitu\\'+path) ##改变工作路径
            href = a['href']##取出<a>里面的href属性
            self.url = href ##将页面地址保存到self.url中
            if self.meizitu_collection.find_one({'主题页面':href}): ##判断这个主题是否已经在数据库中，不在就运行eles下的内容，在则忽略。
                print(u'这个页面已经爬过了!')
            else:
                self.html(href)##调用html函数吧href参数传递过去，href是套图的地址

    #设置一个函数处理套图地址获得图片的页面地址
    def html(self,href):
        html = down.get(href,3)##调用request函数把套图地址传进去，返回一个response
        max_span = BeautifulSoup(html.text,'lxml').find_all('span')[10].get_text()##查找所有的<span>标签获取最后一个标签中的文本也就是最后一个页面了
        page_num =0 ##这个当作计数器用，用来判断图片是否下载完毕
        for page in range(1,int(max_span)+1):##用range产生页面序列
            page_num = page_num+1 ##每for循环一次+1，当page_num等于max_span的时候，就证明我们在下载最后一张图片了
            page_url = href + '/'+str(page)##手动拼接每一个页面地址
            self.img(page_url,max_span,page_num)##调用img函数,把上面需要的两个变量，传递给下一个函数。

    #设置一个函数处理图片页面地址获得图片的实际地址
    def img(self,page_url,max_span,page_num):
        img_html = down.get(page_url,3)##调用request函数把图片页面地址传进去，返回一个response
        img_url = BeautifulSoup(img_html.text,'lxml').find('div',class_='main-image').find('img')['src']##用img_Soup对象的find方法找标签先查找class为main-image的div标签，然后查找<img>标签里面的src。
        self.img_urls.append(img_url)##每一次for page in range(1,int(max_span)+1)获取到的图片地址都会添加到img_urls这个初始化的列表中
        if int(max_span) == page_num:##传递下来的两个参数用上了，当max_span和page_num相等是，就是最后一张图片，最后一次下载图片并保存到数据库中。
            self.save(img_url)
            post = {##这是构造一个字典，
                '标题':self.title,'主题页面':self.url,'图片地址':self.img_urls,'获取时间':datetime.datetime.now()
            }
            self.meizitu_collection.save(post)##将post中的内容写入数据库
            print (u'插入数据库成功')
        else: ##max_span 不等于page_num的时候执行下面这段
            self.save(img_url)##调用save函数保存图片，把img_url地址传递过去

    #设置一个保存图片的函数
    def save(self,img_url):
        name = img_url[-9:-4]##取url的倒数第四至第九位做图片的名字
        print('开始保存:',img_url)
        img = down.get(img_url,3)##调用request函数把图片地址传进去，返回一个response
        f = open(name+'.jpg','ab')##写入多媒体文件必须要b这个参数
        f.write(img.content)##多媒体文件要用conctent
        f.close()##关闭文件对象

    #创建一个函数用来创建文件夹
    def mkdir(self,path):
        path = path.strip() ##去除path前后空格
        isExists = os.path.exists(os.path.join('F:\mzitu',path))##join将各部分合成一个路径名。os.path.exists判断后面的路径是否存在
        if not isExists: ##如果为False，创建文件夹
            print(u'创建了一个名字叫做',path,u'的文件夹!')
            os.makedirs(os.path.join('F:\mzitu',path))##创建多层文件夹，用join合成单独的一个路径文件夹
            return True
        else:
            print(u'名字叫做',path,u'的文件夹已经存在了！')
            return False
    #
    # #创建获取网页response的函数并返回
    # 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'}#设置浏览器请求头
    #     content = requests.get(url,headers=headers) ##使用requests中的get方法获取页面的内容，加上浏览器请求头
    #     return content

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

下载模块：

import requests
import re
import random
import time

#创建一个反反爬的类
class download:
    def __init__(self):

        self.iplist = [] ##初始化一个list用来存放获取到的ip
        html = requests.get(' http://haoip.cc/tiqu.htm')##使用requests中的get方法获取页面的内容
        iplistn = re.findall(r'r/>(.*?)<b',html.text,re.S)##正则表达式，表示从html中获取所有r/><b中的内容，re.S的意思是包括匹配包括换行符，findall返回的是列表
        for ip in iplistn:
            i = re.sub('\n','',ip)##利用re.sub替换方法，将\n替换为空
            self.iplist.append(i.strip())##将两端去除空格后添加到上面的list里面

        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):##给函数一个默认参数proxy为空,默认num_retries为6次
        UA = random.choice(self.user_agent_list)##从user_agent_list中随机取出一个字符串。
        headers = {'User_Agent':UA}##构造一个完整的User_Agent

        if proxy == None:##当代理为空时，不使用代理获取response
            try:
                return requests.get(url,headers=headers)##返回一个requests.get的页面文件，调用随机的headers，服务器以为我们是真的浏览器了
            except:##如果上面的代码执行报错则执行下面的代码
                if num_retries >0: ##num_retries是限定的重试次数
                    time.sleep(10) ##延迟10秒
                    print(u'获取网页出错，10s后将获取倒数第：',num_retries,u'次')
                    return self.get(url,timeout,num_retries-1)##调用自身，并减1，实现循环6次
                else:
                    print(u'开始使用代理')
                    time.sleep(10)
                    IP = ''.join(str(random.choice(self.iplist)).strip())##将从self.iplist中随机获取的字符串处理成需要的格式。去除两边空格后，用join拼接？
                    proxy = {'http':IP}
                    return self.get(url,timeout,proxy)##代理不为空的时候

        else: ##当代理不为空
            try:
                IP = ''.join(str(random.choice(self.iplist)).strip())##将从self.iplist中随机获取的字符串处理成需要的格式。去除两边空格后，用join拼接？
                proxy = {'http':IP}##构造成一个代理
                return requests.get(url,headers=headers,proxies = proxy,timeout=timeout)##使用代理获取response
            except:
                if num_retries >0:
                    time.sleep(10)
                    IP = ''.join(str(random.choice(self.iplist)).strip())
                    proxy = {'http':IP}
                    print(u'正在更换代理，10s后将重新获取倒数第',num_retries,u'次')
                    print(u'当前代理是：',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()