各種好看的cosplay小姐姐熱門圖片，統統爬取收藏

邊學習，邊創造是一件開心的事情，因爲你會清楚的認識到自己的狀態，以及那充滿內心的成就感，因此從寫爬蟲開始學習python是一個簡單粗暴的提升路線，不知不覺瞭解很多東西

這裏以半次元爲例對爬蟲整體流程以及部分細節進行簡單彙總，如果有不正確的地方還請大家指出

話不多說，我們打開待爬的頁面

會發現這個頁面運用了ajax技術，只有向下滑動纔會觸發請求，如果我們按照現在頁面地址爬取，也只能是得到部分相冊，既然是ajax，這裏我們打開F12 網絡工具 刷新頁面

滑動到底部，會發現又多了四條GET請求，查看請求的url ，會發現這些url之間不同的只有 p 的值 p=1, p=2, p=3, p=4,p=5

知道了這些，就可以開始編寫python文件，請求頁面內容了

1、創建一個AlbumUrl類 ， 開始獲取頁面所有相冊的url

新手學習，Python 教程/工具/方法/解疑＋V：itz992
import requests from bs4 import BeautifulSoup

album_urls = []  #相冊url列表
 headers = { "Host": "bcy.net", "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:63.0) Gecko/20100101 Firefox/63.0" } #獲取相冊url
class AlbumUrl(): def __init__(self, url, url2):
        self.url = url
        self.url2 = url2 def page(self, start, end): for i in range(start, end):

            url = self.url % i
            response = requests.get(url, headers=headers)

            response.encoding = 'utf-8' after_bs = BeautifulSoup(response.text, 'lxml')

            li_s = after_bs.find_all('li', class_='js-smallCards _box')   #提取li標籤內容

            for li in li_s:
                list_a = li.find_all('a', class_='db posr ovf')    #提取a標籤內容
                for a in list_a:
                    a_href = a.get('href')   #取出部分url 進行拼接
                    album_urls.append(self.url2 + a_href) if __name__ == '__main__':
    url = 'https://bcy.net/coser/index/ajaxloadtoppost?p=%s' url2 = 'https://bcy.net' spider = AlbumUrl(url, url2)
    spider.page(1, 6)       #分析出來的頁數

編寫完畢，運行一下， 無誤，把這些相冊url保存到列表，等待逐個分析裏面的圖片內容

2、新建一個ImgUrl類 繼承threading.Thread類 因爲這裏我打算用多線程， 導入相應的模塊

import requests from bs4 import BeautifulSoup import threading import re import time

album_urls = []  #相冊url列表
all_img_urls = []       #所有圖片
 lock = threading.Lock()  #互斥鎖
 headers = { "Host": "bcy.net", "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:63.0) Gecko/20100101 Firefox/63.0" } #抓取每個相冊裏面圖片url
class ImgUrl(threading.Thread): def run(self): while len(album_urls) > 0: #只要不爲空 就一直抓取
            lock.acquire()  #上鎖
            album_url = album_urls.pop()
            lock.release() # 解鎖

            try:
                response = requests.get(album_url, headers=headers, timeout=3)
                response.encoding = 'utf-8' re_obj = re.compile('"path(.*?)w650', re.S)
                r = (re_obj.findall(response.text)) print("正在分析" + album_url)
                after_bs = BeautifulSoup(response.text, 'lxml')

                lock.acquire() # 上鎖
                for title in after_bs.find_all('title'): global album_title
                    album_title = (str(title.get_text())).split('-')[0] for i in range(len(r)):
                    img_url = r[i].replace(r'\\u002F', '/')[5:] + 'w650.jpg' #拼接字符串，完成每張圖片url
 img_dict = {album_title: img_url}   #相冊名和圖片url存入字典
 all_img_urls.append(img_dict) print(album_title + '獲取成功')

                lock.release() # 解鎖
                time.sleep(0.5) except: pass

#獲取相冊url
class AlbumUrl(): def __init__(self, url, url2):
        self.url = url
        self.url2 = url2 def page(self, start, end): for i in range(start, end):

            url = self.url % i
            response = requests.get(url, headers=headers)

            response.encoding = 'utf-8' after_bs = BeautifulSoup(response.text, 'lxml')

            li_s = after_bs.find_all('li', class_='js-smallCards _box')   #提取li標籤內容

            for li in li_s:
                list_a = li.find_all('a', class_='db posr ovf')    #提取a標籤內容
                for a in list_a:
                    a_href = a.get('href')   #取出部分url 進行拼接
                    album_urls.append(self.url2 + a_href) if __name__ == '__main__':
    url = 'https://bcy.net/coser/index/ajaxloadtoppost?p=%s' url2 = 'https://bcy.net' spider = AlbumUrl(url, url2)
    spider.page(1, 5)       #分析出來的頁數
    for x in range(5):
        t = ImgUrl()
        t.start()
新手學習，Python 教程/工具/方法/解疑＋V：itz992

這裏需要注意的是，圖片的url並不是直接暴露的，裏面摻雜了一些字符串，這裏我們運用正則來進行篩選，然後用replace進行相應字符串的替換

開五個線程運行一下， 無誤，可以準備寫入文件了

3、新建一個Download類 同樣繼承threading.Thread類 ，用於下載圖片到本地

import os import requests from bs4 import BeautifulSoup import threading import re import time

album_urls = []  #相冊url列表
all_img_urls = []       #所有圖片
 lock = threading.Lock()  #互斥鎖
 headers = { "Host": "bcy.net", "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:63.0) Gecko/20100101 Firefox/63.0" } #抓取每個相冊裏面圖片url
class ImgUrl(threading.Thread): def run(self): while len(album_urls) > 0: #只要不爲空 就一直抓取
            lock.acquire()  #上鎖
            album_url = album_urls.pop()
            lock.release() # 解鎖

            try:
                response = requests.get(album_url, headers=headers, timeout=3)
                response.encoding = 'utf-8' re_obj = re.compile('"path(.*?)w650', re.S)
                r = (re_obj.findall(response.text)) print("正在分析" + album_url)
                after_bs = BeautifulSoup(response.text, 'lxml')

                lock.acquire() # 上鎖
                for title in after_bs.find_all('title'): global album_title
                    album_title = (str(title.get_text())).split('-')[0] for i in range(len(r)):
                    img_url = r[i].replace(r'\\u002F', '/')[5:] + 'w650.jpg' #拼接字符串，完成每張圖片url
 img_dict = {album_title: img_url}
                    all_img_urls.append(img_dict) print(album_title + '獲取成功')

                lock.release() # 解鎖
                time.sleep(0.5) except: pass num = 0 #下載圖片
class Download(threading.Thread): def run(self): while True:

            lock.acquire() #上鎖
            if len(all_img_urls) == 0:
                lock.release() #解鎖
                continue
            else:
                img_dict = all_img_urls.pop()
                lock.release() #解鎖

                for key, values in img_dict.items():   #把鍵值取出

                    try:
                        os.mkdir(key) print(key + '創建成功') except: pass
                    global num
                    num += 1 filename = str(num) + '.' + str(values).split('.')[-1]  #給每張圖片重新命名
                    filepath = os.path.join(key, filename)
                    session = requests.Session()     #這裏使用會話請求
                    http_obj = requests.adapters.HTTPAdapter(max_retries=20)  #每次連接的最大失敗重試次數
                    session.mount('https://', http_obj)  #增加請求類型
                    session.mount('http://', http_obj) try:
                        response = session.get(values)   #讀取會話
 with open(filepath, 'wb', buffering=4*1024) as image:
                            image.write(response.content)
                            image.close() print(filepath + '下載完畢') except: pass time.sleep(0.1) #獲取相冊url
class AlbumUrl(): def __init__(self, url, url2):
        self.url = url
        self.url2 = url2 def page(self, start, end): for i in range(start, end):

            url = self.url % i
            response = requests.get(url, headers=headers)

            response.encoding = 'utf-8' after_bs = BeautifulSoup(response.text, 'lxml')

            li_s = after_bs.find_all('li', class_='js-smallCards _box')   #提取li標籤內容

            for li in li_s:
                list_a = li.find_all('a', class_='db posr ovf')    #提取a標籤內容
                for a in list_a:
                    a_href = a.get('href')   #取出部分url 進行拼接
                    album_urls.append(self.url2 + a_href) if __name__ == '__main__':
    url = 'https://bcy.net/coser/index/ajaxloadtoppost?p=%s' url2 = 'https://bcy.net' spider = AlbumUrl(url, url2)
    spider.page(1, 5)       #分析出來的頁數
    threads = [] for x in range(5):
        t = ImgUrl()
        t.start()
        threads.append(t) for tt in threads:  #設置堵塞，避免線程搶先
 tt.join() for x in range(5):
        down = Download()
        down.start()
新手學習，Python 教程/工具/方法/解疑＋V：itz992

好，開五個線程運行一下，看結果如何

到此爲止，三步爬取半次元熱門圖片，演示完畢，其實不光是熱門，我們也可以換成別的鏈接進行分析爬取，包括全站，整體原理都是類似的，一些請求細節需要理解