一.什么是图片懒加载?
- 案例分析:抓取站长素材http://sc.chinaz.com/中的图片数据
运行结果观察发现,我们可以获取图片的名称,但是链接获取的为空,检查后发现xpath表达式也没有问题,究其原因出在了哪里呢?
- 图片懒加载概念:
图片懒加载是一种网页优化技术。图片作为一种网络资源,在被请求时也与普通静态资源一样,将占用网络资源,而一次性将整个页面的所有图片加载完,将大大增加页面的首屏加载时间。为了解决这种问题,通过前后端配合,使图片仅在浏览器当前视窗内出现时才加载该图片,达到减少首屏图片请求数的技术就被称为“图片懒加载”。
- 网站一般如何实现图片懒加载技术呢?
在网页源码中,在img标签中首先会使用一个“伪属性”(通常使用src2,original......)去存放真正的图片链接而并非是直接存放在src属性中。当图片出现到页面的可视化区域中,会动态将伪属性替换成src属性,完成图片的加载。
- 站长素材案例后续分析:通过细致观察页面的结构后发现,网页中图片的链接是存储在了src2这个伪属性中
import requests from lxml import etree import urllib.request import os import json headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36' } if not os.path.exists('meinv'): os.mkdir('meinv') def savaImage(image_url): fileName = image_url.split('/')[-1] filePath = 'meinv/'+fileName #网络图片进行下载且存储 urllib.request.urlretrieve(url=image_url,filename=filePath) url = 'http://sc.chinaz.com/tupian/siwameinvtupian.html' page_content = requests.get(url,headers=headers).text #解析 tree = etree.HTML(page_content) div_list = tree.xpath('//div[@id="container"]/div') all_data = [] for div in div_list: image_url = div.xpath('.//img/@src2')[0] title = div.xpath('.//img/@alt') savaImage(image_url)#根据指定url下载图片 data = { 'title':title, 'image_url':image_url } all_data.append(data) fp = open('./data.json','w',encoding='utf-8') json.dump(all_data,fp,ensure_ascii=False) fp.close()
二.selenium
- 什么是selenium?
是Python的一个第三方库,对外提供的接口可以操作浏览器,然后让浏览器完成自动化的操作。
- 环境搭建
1.安装selenum:pip install selenium
2.获取某一款浏览器的驱动程序(以谷歌浏览器为例)
2.1 谷歌浏览器驱动下载地址:http://chromedriver.storage.googleapis.com/index.html
2.2 下载的驱动程序必须和浏览器的版本统一,大家可以根据http://blog.csdn.net/huilan_same/article/details/51896672中提供的版本映射表进行对应
- 效果展示:大家可以将如下代码运行,观看效果