业余爱好『Favourite』

韩国美女模特爬虫

没有评论

对于美女的热爱无法自拔 😆 ，经常会去搜索一些美女图片，下载下来，然后找时间慢慢欣赏。主要用途是用作电脑桌面手机桌面，通常会百度或者bing去搜索下找到图片下载。相对来说能够直接用作桌面的图片并不多，多数是尺寸问题，并不是十分合适。但是即使不能直接用，可以用ps修改下图片尺寸，或者欣赏也是好的啊。 🙂 

以前曾经从一个网站mzitu.com 爬了一些图片，但是最近访问的时候却发现网站挂了~~

最近在搜索图片的时候又发现了一个http://www.a6d.cn 各种图片也不少，于是就产生了全站备份的想法。好处是这两个网站都没有反爬虫机制，可以直接进行处理。为了不过度增加服务器负担就没有用多线程。

相对来说爬取数据也比较简单，整体可以分为4步：

  1. 获取所有的美女姓名和链接
  3. 获取单个美女的所有页面地址 底部链接
  5. 针对单个美女的单个页面进行枚举，获取所有的文章页面链接 左侧列表页面的链接
  7. 对文章页的图片进行遍历下载

到这里所有的操作就完成了，剩下的就可以交给时间了。

代码：

# -*- coding:utf-8 -*-
import os

import requests
from bs4 import BeautifulSoup

HEADERS = {
    'X-Requested-With': 'XMLHttpRequest',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 '
                  '(KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36',
    'Referer': 'http://www.a6d.cn/'
}

DIR_PATH = "H:/图片/a6d.cn"


def get_url_source_code(url):
    souce = requests.get(url=url, headers=HEADERS, timeout=10)
    html = souce.content
    html_doc = str(html, 'utf-8')
    return html_doc


def save_pic(url, path):
    try:
        img = requests.get(url, headers=HEADERS, timeout=10).content
        img_name = os.path.join(path, str(url).split('/')[-1])
        print('[S] 下载图片:' + img_name)
        with open(img_name, 'ab') as f:
            f.write(img)
            print('[S] 下载图片成功')
    except Exception as e:
        # print(e)
        print('[S] 下载图片失败: ' + str(e))


def mark_dir(flot_name):
    """
    检测文件夹是否创建，没有创建则创建文件夹，创建了就跳过
    """
    print('[C] 创建目录: ' + flot_name)
    PATH = os.path.join(DIR_PATH, flot_name)
    if not os.path.exists(PATH):  # 检测是否有这个文件夹
        os.makedirs(PATH)
        os.chdir(PATH)
    return PATH


def get_all_models():
    print('-' * 70)
    print('[A] 分析所有美女姓名 链接信息......')
    html_doc = get_url_source_code('http://www.a6d.cn/mnzt/hongjiyeon/index.htm')
    # print(html)
    bs = BeautifulSoup(html_doc, "html.parser").find('div', class_='zhuti')
    # print(bs)
    zzr = bs.find_all('a')
    ll = []
    for z in zzr:
        url = 'http://www.a6d.cn' + z.get("href")
        i = {
            'url': url,
            'name': z.get_text()
        }
        print('[*] 名字: ' + z.get_text() + ' URL:' + url)
        ll.append(i)
    print('[A] 美女总数: ' + str(len(ll)) + ' 全部解析完成')
    print('-' * 70)
    return ll


def get_sub_pages(url):
    print('_' * 70)
    print('[A] 分析子页面地址......')
    print('[A] ' + url)
    html_doc = get_url_source_code(url)
    bs = BeautifulSoup(html_doc, "html.parser").find('span', class_='pagecss')
    # print(bs)
    if bs is None:
        return [url]
    urls = []
    surls = bs.find_all('a')
    for u in surls:
        link = 'http://www.a6d.cn' + u.get("href")
        if link not in urls:
            urls.append(link)
            # print(link)
    print('[A] 子页面分析完成，一共 ' + str(len(urls)) + ' 页')
    print('_' * 70)
    return urls


def get_artical_page_links(url):
    print('_' * 70)
    print('[A] 解析最终页面地址......')
    html_doc = get_url_source_code(url)
    bs = BeautifulSoup(html_doc, "html.parser").find('div', class_='pic_article mtop10')
    surls = bs.find_all('a')
    urls = []
    for u in surls:
        link = 'http://www.a6d.cn' + u.get("href")
        if link not in urls:
            urls.append(link)
            # print(link)
    print('[A] 最终面分析完成，一共 ' + str(len(urls)) + ' 页')
    print('_' * 70)
    return urls


def get_all_image_links(url, name):
    print('_' * 70)
    print('[A] 解析图片地址......')
    html_doc = get_url_source_code(url)
    bs = BeautifulSoup(html_doc, "html.parser").find('div', id='articleContnet')
    if bs is None:
        bs = BeautifulSoup(html_doc, "html.parser").find('div', class_='pic_article mtop10')
    # print(bs)
    urls = []
    surls = bs.find_all('img')
    floder = mark_dir(name)
    for u in surls:
        link = 'http://www.a6d.cn' + u.get("src")
        if link not in urls:
            # print(link)
            urls.append(link)
            save_pic(link, floder)
    print('_' * 70)
    print('[A] 图片下载完成，当前页面图片一共 ' + str(len(urls)) + ' 张')


if __name__ == '__main__':
    print('*' * 80)
    print('韩国美女 图片下载器')
    print('http://www.a6d.cn')
    print('by: obaby')
    print('http://www.obaby.org.cn')
    print('http://www.h4ck.org.cn')
    print('*' * 80)
    ll = get_all_models()
    errors = []
    for l in ll:
        page_url = l['url']
        name = l['name']
        try:
            # 解析当前模特色所有的子页面
            pgs = get_sub_pages(page_url)
            for p in pgs:
                # 从子页面解析所有的文章列表
                apgs = get_artical_page_links(p)
                for a in apgs:
                    # 从所有的文章中解析图片链接冰进行下载
                    get_all_image_links(a, name)
        except:
            print('[E] 解析失败')
            errors.append(page_url)

    print('[D] 全部下载完成。')
    print('[D] 下载失败数量:' + str(len(errors)))
    if len(errors) > 0:
        log_string = '\r\n'.join(errors)
        with open('error_log', 'w', encoding="utf-8") as f:
            f.write(log_string)
    print('*' * 80)

除此之外，并没有把网站的数据全部爬取下来，仔细观察就会发现右侧有个导航栏

而有的文章只在这个分类目录下能找到，从上面的美女列表却找不到相关文章。于是如果要爬取所有的数据还要遍历导航栏内的文章。

相关代码：

def get_all_categories():
    print('-' * 70)
    print('[A] 分析所有分类页面信息......')
    html_doc = get_url_source_code('http://www.a6d.cn/Article/hgmfzb/index.html')
    # print(html_doc)
    bs = BeautifulSoup(html_doc, "html.parser").find('div', class_='sidebar')
    # print(bs)
    zzr = bs.find_all('a')
    ll = []
    for z in zzr:
        url = 'http://www.a6d.cn' + z.get("href")
        i = {
            'url': url,
            'name': z.get_text()
        }
        print('[*] 名字: ' + z.get_text() + ' URL:' + url)
        ll.append(i)
    print('[A] 分类总数: ' + str(len(ll)) + ' 全部解析完成')
    print('-' * 70)
    return ll


# 从分类下载 需要获取网页标题来创建目录
def get_all_image_links(url, name):
    print('_' * 70)
    print('[A] 解析图片地址......')
    html_doc = get_url_source_code(url)
    bs4 =BeautifulSoup(html_doc, "html.parser")
    bs = bs4.find('div', id='articleContnet')
    if bs is None:
        bs = BeautifulSoup(html_doc, "html.parser").find('div', class_='pic_article mtop10')
    # print(bs)
    urls = []
    surls = bs.find_all('img')
    title = bs4.title.string
    floder = mark_dir(title)
    for u in surls:
        link = 'http://www.a6d.cn' + u.get("src")
        if link not in urls:
            # print(link)
            urls.append(link)
            save_pic(link, floder)
    print('_' * 70)
    print('[A] 图片下载完成，当前页面图片一共 ' + str(len(urls)) + ' 张')


if __name__ == '__main__':
    print('*' * 80)
    print('韩国美女 图片下载器')
    print('http://www.a6d.cn')
    print('by: obaby')
    print('http://www.obaby.org.cn')
    print('http://www.h4ck.org.cn')
    print('*' * 80)
    ll = get_all_categories()

    errors = []
    for l in ll:
        page_url = l['url']
        name = l['name']
        try:
            # 解析当前模特色所有的子页面
            pgs = get_sub_pages(page_url)
            for p in pgs:
                # 从子页面解析所有的文章列表
                apgs = get_artical_page_links(p)
                for a in apgs:
                    # 从所有的文章中解析图片链接冰进行下载
                    get_all_image_links(a, name)
        except:
            print('[E] 解析失败')
            errors.append(page_url)

    print('[D] 全部下载完成。')
    print('[D] 下载失败数量:' + str(len(errors)))
    if len(errors) > 0:
        log_string = '\r\n'.join(errors)
        with open('error_log', 'w', encoding="utf-8") as f:
            f.write(log_string)
    print('*' * 80)

最终效果：

☆版权☆

* 网站名称：obaby@mars
* 网址：https://h4ck.org.cn/
* 个性：https://oba.by/
* 本文标题： 《韩国美女模特爬虫》
* 本文链接：https://h4ck.org.cn/2019/12/6706
* 短链接：https://oba.by/?p=6706
* 转载文章请标明文章来源，原文标题以及原文链接。请遵从 《署名-非商业性使用-相同方式共享 2.5 中国大陆 (CC BY-NC-SA 2.5 CN) 》许可协议。

obaby

obaby

爱好广泛的火星小妖精，有问题欢迎留言交流啊~(✪ω✪) 爬虫类工具请先点击这个链接查看用法https://oba.by/?p=12240 闺蜜圈APP下载 https://guimiquan.cn

猜你喜欢：

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注

Close Menu