Python 采集某网站的壁纸

简介: Python 采集某网站的壁纸

一、运行环境

pycharm 2020 社区版

python 3.7

beautifulsoup4 4.11.1

二、实际代码

import os
import re
import requests
from bs4 import BeautifulSoup
from access.sprider.SpriderAccess import SpriderAccess
from base.BaseConfig import BaseConfig
from base.BaseFrame import BaseFrame
from object.entity.SpriderEntity import SpriderEntity
from plugin.Tools import Tools
class Netbian:
    page_count = 1  # 每个栏目开始业务
    base_url = "http://pic.netbian.com"  # 采集的网址 http://pic.netbian.com/e/search/result/?searchid=2543
    save_path = BaseConfig().CORPUS_ROOT + os.sep + "Netbian"  # "/Users/zhangyu/Pictures/Wallpaper/"
    second_url = ("4kmeinv","4kfengjing",  "4kbeijing", "4kyouxi")
    def __init__(self):
        pass
    def sprider_wall_paper(self):
        BaseFrame.__log__("开始采集首页彼岸图网网站的图片...")
        for column in self.second_url:
            url = self.base_url + "/" + column + "/"
            response = requests.get(url)
            response.encoding = 'gbk'
            soup = BeautifulSoup(response.text, "html5lib")
            try:
                page_end_url = soup.find('span', attrs={"class": 'slh'}).find_next_siblings()
                page_end_num = page_end_url[0].text
                while self.page_count <= int(page_end_num):  # 翻完停止
                    if self.page_count == 1:  # 栏目的第一个地址
                        list_url = soup.find_all('a', attrs={"target": '_blank'})
                        regx = "tupian/\d{1,5}\.html"
                        images_url = re.findall(regx, str(list_url))
                        for iurl in images_url:
                            image_full_url = self.base_url + "/" + iurl
                            response = requests.get(image_full_url)
                            response.encoding = 'gbk'
                            soup = BeautifulSoup(response.text, "html5lib")
                            for image_obj in soup.find('a', attrs={"id": 'img'}).children:
                                pic_url = self.base_url + image_obj.get("src")
                                pic_title = image_obj.get("alt")
                                BaseFrame.__log__("采集" + pic_title + "的图片..." + url)
                                mmEntity = SpriderEntity()  # 依据图片执行,下载过的图片不再下载
                                mmEntity.sprider_base_url = self.base_url
                                mmEntity.create_datetime = Tools.get_current_datetime()
                                mmEntity.sprider_url = url
                                mmEntity.sprider_pic_title = pic_title
                                mmEntity.sprider_pic_index = str(self.page_count)
                                if SpriderAccess().query_sprider_entity_by_urlandtitle(pic_url, pic_title) is None:
                                    SpriderAccess().save_sprider(mmEntity)
                                    self.down_pic(pic_url, pic_title, column)
                                else:
                                    BaseFrame.__log__("下载过已经跳过。")
                    else:
                        next_pager_url = self.base_url + "/" + column + "/index_" + str(self.page_count) + ".html"
                        try:
                            response = requests.get(next_pager_url)
                            response.encoding = 'gbk'
                            soup = BeautifulSoup(response.text, "html5lib")
                            list_url = soup.find_all('a', attrs={"target": '_blank'})
                            regx = "tupian/\d{1,5}\.html"
                            images_url = re.findall(regx, str(list_url))
                            for iurl in images_url:
                                image_full_url = self.base_url + "/" + iurl
                                response = requests.get(image_full_url)
                                response.encoding = 'gbk'
                                soup = BeautifulSoup(response.text, "html5lib")
                                for image_obj in soup.find('a', attrs={"id": 'img'}).children:
                                    pic_url = self.base_url + image_obj.get("src")
                                    pic_title = image_obj.get("alt")
                                    BaseFrame.__log__("采集" + pic_title + "的图片..." + url)
                                    mmEntity = SpriderEntity()  # 依据图片执行,下载过的图片不再下载
                                    mmEntity.sprider_base_url = self.base_url
                                    mmEntity.create_datetime = Tools.get_current_datetime()
                                    mmEntity.sprider_url = url
                                    mmEntity.sprider_pic_title = pic_title
                                    mmEntity.sprider_pic_index = str(self.page_count)
                                    if SpriderAccess().query_sprider_entity_by_urlandtitle(pic_url, pic_title) is None:
                                        SpriderAccess().save_sprider(mmEntity)
                                        self.down_pic(pic_url, pic_title, column)
                                    else:
                                        BaseFrame.__log__("下载过已经跳过。")
                        except Exception as e:
                            BaseFrame.__log__("请求站点过程发生错误..." + e)
                            continue
                        pass
                    self.page_count = self.page_count + 1  # 翻页要不一致第一页
            except Exception as e:
                BaseFrame.__err__(str(e))
                continue
        pass
    # region 下载图片
    def down_pic(self, pic_url, pic_title, second_path):
        try:
            headers = {"Referer": pic_url,
                       'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 '
                                     '(KHTML, like Gecko)Chrome/62.0.3202.94 Safari/537.36'}
            content = requests.get(pic_url, headers=headers)
            real_path = self.save_path + os.sep + second_path + os.sep
            if (os.path.exists(real_path) is False):
                os.makedirs(real_path)
            if content.status_code == 200:
                pic_cun = real_path + pic_title + '.jpg'
                fp = open(pic_cun, 'wb')
                fp.write(content.content)
                fp.close()
        except Exception as e:
            BaseFrame.__err__("下载图片出现错误" + str(e))
        pass
    # endregion
if __name__ == '__main__':
    Netbian().sprider_wall_paper()
pass
目录
相关文章
|
1天前
|
JavaScript 前端开发 Android开发
【03】仿站技术之python技术,看完学会再也不用去购买收费工具了-修改整体页面做好安卓下载发给客户-并且开始提交网站公安备案-作为APP下载落地页文娱产品一定要备案-包括安卓android下载(简单)-ios苹果plist下载(稍微麻烦一丢丢)-优雅草卓伊凡
【03】仿站技术之python技术,看完学会再也不用去购买收费工具了-修改整体页面做好安卓下载发给客户-并且开始提交网站公安备案-作为APP下载落地页文娱产品一定要备案-包括安卓android下载(简单)-ios苹果plist下载(稍微麻烦一丢丢)-优雅草卓伊凡
30 13
【03】仿站技术之python技术,看完学会再也不用去购买收费工具了-修改整体页面做好安卓下载发给客户-并且开始提交网站公安备案-作为APP下载落地页文娱产品一定要备案-包括安卓android下载(简单)-ios苹果plist下载(稍微麻烦一丢丢)-优雅草卓伊凡
|
5天前
|
数据采集 数据安全/隐私保护 Python
从零开始:用Python爬取网站的汽车品牌和价格数据
在现代化办公室中,工程师小李和产品经理小张讨论如何获取懂车帝网站的汽车品牌和价格数据。小李提出使用Python编写爬虫,并通过亿牛云爬虫代理避免被封禁。代码实现包括设置代理、请求头、解析网页内容、多线程爬取等步骤,确保高效且稳定地抓取数据。小张表示理解并准备按照指导操作。
从零开始:用Python爬取网站的汽车品牌和价格数据
|
5月前
|
数据采集 开发者 Python
Python之怎么爬取图片网站
Python之怎么爬取图片网站
|
5月前
|
Web App开发 存储 安全
Python编写脚本,打开浏览器输入网址,自动化登陆网站
Python编写脚本,打开浏览器输入网址,自动化登陆网站
342 4
|
4月前
|
Python
基于python-django的matlab护照识别网站系统
基于python-django的matlab护照识别网站系统
30 0
|
4月前
|
安全 Java Python
基于python-django的Java网站全站漏洞检测系统
基于python-django的Java网站全站漏洞检测系统
51 0
|
6月前
|
数据采集 存储 机器学习/深度学习
豆瓣评分7.6!Python大牛教你如何采集网络数据
网络数据采集大有所为。在大数据深入人心的时代,网络数据采集作为网络、数据库与机器学习等领域的交汇点,已经成为满足个性化网络数据需求的最佳实践。你在浏览器上看到的内容,大部分都可以通过编写Python 程序来获取。如果你可以通过程序获取数据,那么就可以把数据存储到数据库里。如果你可以把数据存储到数据库里,自然也就可以将这些数据可视化。 今天给小伙伴们分享的这份手册采用简洁强大的Python语言,介绍了网络数据采集,并为采集新式网络中的各种数据类型提供了全面的指导。
|
6月前
|
开发框架 Java 数据管理
我使用Python开发网站的3个主要框架库,强烈推荐
我使用Python开发网站的3个主要框架库,强烈推荐
62 0
|
6月前
|
运维 算法 数据挖掘
5个适合新手练习的Python刷题网站
5个适合新手练习的Python刷题网站
599 0
|
6月前
|
Linux Shell 数据库
python Django教程 之 安装、基本命令、视图与网站
python Django教程 之 安装、基本命令、视图与网站

热门文章

最新文章