2020/7/31 今天学习得是关于小甲鱼得python课程,根据这个课程也确确实实得学到了不少东西,所以希望大家也可以一起去学习
下面是我在小甲鱼上课改造之后得代码
这个课程是在b站上看的,号码是 av27789609
这个是第五十节左右得爬虫 ooxx
他的教学视频是很早的时候录得,现在的网站进行了base64的加密等反爬措施,所以在原有的基础上需要进行修改
下面是我的代码,希望可以给大家一些启发,同时也希望大佬们给与指点。
import urllib.request
import urllib.parse
import os
import base64
def urlopen(url):
req=urllib.request.Request(url)
req.add_header('User-Agent','Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36 Edge/18.18362')
response=urllib.request.urlopen(req)
html=response.read()
return html
上面的这一个urlopen简单的说是为了进入网站,然后阅读网站的代码,从而之后为了找到图片的地址等等提供帮助
def getpage(url):
html=urlopen(url).decode('utf-8')
a=html.find('current-comment-page')+23
b=html.find(']',a)
return (html[a:b])
这个是网站里面的有个页数,选择第几页的时候会用的到,写道这里的时候可以尝试先print(html[a:b]),看是否出来对应的页数在进行操作,那里的"+23"其实是’current-comment-page’的长度,这样做+23之后就直接到达了页数所在的地方。
def findimg(url):
html=urlopen(url).decode('utf-8')
imgaddrs=[]
a=html.find('src=')
b=html.find('.jpg',a,a+255)
while a!= -1:
b=html.find('.jpg',a,a+255)
if b!= -1:
imgaddrs.append('https:'+html[a+5:b+4])
else:
b=a+5
a=html.find('src=',b)
return imgaddrs
这里是找图片的函数,在网站的源码中寻找src=,这样就可以找到网站里图片的地址,但是图片里的地址没有http:,所有就需要拼接一下使得网站里read()到的地址加上http:,从而获得一个完整的网络地址。
def xiazai(floder='ooxx',pages=10):
os.mkdir(floder)
os.chdir(floder)
url='http://jandan.net/pic/'
pagenum=int(getpage(url))
s = '20200730-'
d='%d'%pagenum
c=s+d
b =base64.b64encode(c.encode('utf-8')).decode("utf-8")
for i in range(pages):
pagenum -= i
pageurl=url+b+'#comments'
imgaddrs=findimg(pageurl)
imgaddrs=imgaddrs
saveimg(floder,imgaddrs)
if __name__ == '__main__':
xiazai()
这个就是从网上下载的具体方法,这里注意的是原来的网站里面的代码经过了base64加密,就是这里面的s代表着每天的日期
这个其实放在最后好一些点。
def saveimg(folder,imgaddrs):
for each in imgaddrs:
filename=each.split('/')[-1]
with open(filename,'wb') as f:
img =urlopen(each)
f.write(img)
这个是网站得到的图片进行保存,保存到指定的文件夹里面
这就是改完之后的了,亲测可以运行,希望大佬们给点指点