requests + BeautifulSoup + urllib 爬取並下載網站圖片到本地（二）
摘要：
這篇是上一篇的進階版，雖然也是下載圖片到本地，但比上一篇複雜了許多，上一篇只是下載當前頁的圖片到本地，這一篇是下載整站的詳情頁圖片到本地，涉及了連續多頁爬取，根據 item 建立資料夾儲存每個詳情頁的圖片，爬取的資料量大大提升了好幾十幾百倍，會用到多程序。
準備工作
開發環...
這篇是上一篇的進階版，雖然也是下載圖片到本地，但比上一篇複雜了許多，上一篇只是下載當前頁的圖片到本地，這一篇是下載整站的詳情頁圖片到本地，涉及了連續多頁爬取，根據 item 建立資料夾儲存每個詳情頁的圖片，爬取的資料量大大提升了好幾十幾百倍，會用到多程序。
準備工作
- 開發環境：Windows，Pycharm，Request，BeautifulSoup，urllib
- 需要一定的 Python 爬蟲、HTML 基礎
開始動身
本次要爬取的網站依然是帥啊 網 我們需要把整站的詳情頁圖片下載到本地
- 製作爬蟲
- 由於獲取下來的 html 編碼格式不對，所以要指定編碼格式為 utf-8
- 獲取頁面中每個 item 的詳情頁連結
- 獲取詳情頁的所有圖片連結（單個或多個）
- 以 item 的標題為資料夾，將詳情頁的圖片下載到該資料夾中
- 抓取下一頁（重複 2、3、4 步驟）
from bs4 import BeautifulSoup
import requests
import os
import urllib.request
import time
headers = {
"Cookie": "gsScrollPos-1702684443=0; UM_distinctid=16685e0279d3e0-06f34603dfa898-36664c08-1fa400-16685e0279e133; bdshare_firstime=1539844405694; _d_id=6556c25e9ddd0e7e71096a1e343f6b; gsScrollPos-1702684407=; CNZZDATA1254092508=1744643453-1539842703-%7C1540364765",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36",
}
path = "D://images/"
def get_links(url):
wb_data = requests.get(url, headers=headers)# headers 偽裝
wb_data.encoding = "utf-8"
soup = BeautifulSoup(wb_data.text, 'lxml')
if wb_data.status_code == 404:
return
if not os.path.exists(path):# 判斷該資料夾是否存在，不存在則建立
os.mkdir(path)
links = soup.select(".item-img")
for link in links:
download_img(link.get('href'))
time.sleep(1)
# 下一頁
next_page = soup.select(".next")[0].get("href")
print("------ next page -------")
get_links(next_page)
print("------ download done -------")
def download_img(url):
wb_data = requests.get(url, headers=headers)
wb_data.encoding = "utf-8"
soup = BeautifulSoup(wb_data.text, 'lxml')
images = soup.select(".wr-single-content-list img")
catalog = soup.select("h1")[0].get_text()# 獲取詳情頁標題作為資料夾名稱
catalog = path + catalog + "/"
if not os.path.exists(catalog):
os.mkdir(catalog)
for index, image in enumerate(images):
print(index)
img = image.get("src")
urllib.request.urlretrieve(img, catalog + str(index) + ".jpg")
print("-------- downloading ---------")
if __name__ == "__main__":
get_links("http://www.shuaia.net/index.html")
複製程式碼
- 開始爬取
