爬虫养成记--顺藤摸瓜回首掏（女生定制篇）

2020-04-28 10:28:11 +08:00
 huan1043269994

我们研发开源了一款基于 Git 进行技术实战教程写作的工具，我们图雀社区的所有教程都是用这款工具写作而成，欢迎 Star 哦

如果你想快速了解如何使用，欢迎阅读我们的 教程文档哦

本文由图雀社区成员 灿若星空 写作而成，欢迎加入图雀社区，一起创作精彩的免费技术教程，予力编程行业发展。

前情回顾

在上篇教程爬虫养成记——先跨进这个精彩的世界（女生定制篇）中我们已经可以将所有小哥哥的封面照片抓取下来，但仅仅是封面图片在质量和数量上怎么能满足小仙女们的要求呢？在本篇教程中，我们串起一根姻缘“线”，来把这一系列的小哥哥们都收入囊中。

出门先化妆

小仙女们出门约会总会“淡妆浓抹总相宜”，那爬虫出门去爬取数据，也得打扮打扮啊，不然怎么能让男神们都乖乖地跟着走呢？

爬虫的“化妆”可不是“妆前乳 --> 粉底 --> 遮瑕 --> 散粉 --> 画眉 --> 口红”等这些步骤，其目的是为了让对方网站更加确信来访者不是爬虫程序，而是一个活生生的人。人们通过操控浏览器来访问网站，那么爬虫程序只需要模仿浏览器就可以了。 那就来看看浏览器在打开网页时都画了那些“妆”。

打开 Chrome 并打开调试台，切换到 NetWork 选项卡，此时访问 https://www.nanrentu.cc/sgtp/ ， 这是时候会看到调试台里出现了很多链接信息，这么多链接到底哪个是我们所需要的呢？回想一下上一篇内容，首先是要获得 HTML 文档，再从此文档中提取出图片的链接，所以目标有了，就是找到浏览器获取到这个 HTML 文档的那个链接。

Chrome 知道这么多链接信息肯定会让开发者陷入茫然，所以给链接进行了归类，点击上方 Doc 分类，再点击那唯一的一条链接，就会看到获取此 HTML 文档链接的详细信息了。此时我们关注主要 Request Headers 这个里面的内容。浏览器通过 http 协议与服务器交互获取信息，爬虫是通过模仿浏览器发出 http 协议获取信息，其中最重要的一个模仿点就是 Request Headers 。

http 协议里面的“瓶瓶罐罐”

让男生看女孩子化妆用的那些瓶瓶罐罐估计会陷入沉思，这是 BB 霜，那是粉底液，还有散粉、眼影、遮瑕膏，更不用说各种色号的口红啦。那女孩子看到这 http 里面的各项内容时估计也会一脸懵逼，其这比化妆品简单多了，我们只需简单了解，就能给爬虫画出精致妆容。

:authority: www.nanrentu.cc
:method: GET   // 自定义请求头 请求方法
:path: /sgtp/  // 自定义请求头 请求路径
:scheme: https // 自定义请求头 请求方式
// 所接受的内容格式
accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9
// 所接受的编码方式
accept-encoding: gzip, deflate, br
// 所接受的语言
accept-language: zh-CN,zh;q=0.9
// 缓存控制：告诉服务器客户端希望得到一个最新的资源
cache-control: max-age=0
cookie: UM_distinctid=170a5a00fa25bf-075185606c88b7-396d7407-100200-170a5a00fa3507; Hm_lvt_45e50d2aec057f43a3112beaf7f00179=1583326696,1583756661; CNZZDATA1274895726=1196969733-1583323670-%7C1583752625; Hm_lpvt_45e50d2aec057f43a3112beaf7f00179=1583756721
sec-fetch-dest: document
sec-fetch-mode: navigate
sec-fetch-site: none
sec-fetch-user: ?1
// 屏蔽 HTTPS 页面出现 HTTP 请求警报
upgrade-insecure-requests: 1
user-agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36

这么多的信息不用都给爬虫加上，因为这网站的防爬措施等级不高，暂时只要关键的两个就可以了。

但是当爬取其他网站时可能会有所需要，在这里赘述这么多原因就是希望大家能明白伪装爬虫的重要性，以及怎么获取这些伪装信息。

// 建立一个名叫 headers 的字典
headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36',
    'cookie': 'UM_distinctid=170a5a00fa25bf-075185606c88b7-396d7407-100200-170a5a00fa3507; CNZZDATA1274895726=1196969733-1583323670-%7C1583925652; Hm_lvt_45e50d2aec057f43a3112beaf7f00179=1583326696,1583756661,1583926583; Hm_lpvt_45e50d2aec057f43a3112beaf7f00179=1583926583'
}
// 发送请求时带上请求头
response = requests.get(baseUrl,headers=headers)

顺藤摸瓜

一个网站是由若干个网页组合而成的，网页中充满着各种超链接，从这网页链接到那个网页，如果我们想要更多小哥哥，那就得首先分析出串联起他们那些超链接，然后就可以顺藤摸瓜咯。

当把鼠标发放到标题上时，标题的颜色发生了变化，证明这一元素为超连接，点击标题浏览器会自动打开一个 tab 标签页，来显示网页，注意到下方的页码标签，是这些元素串联起了整个图集。

点击“末页”观察 url 发生了什么变化

末页的 url： https://www.nanrentu.cc/sgtp/36805_7.html

首页的 url： https://www.nanrentu.cc/sgtp/36805.html

看起来有点意思了，末页的 url 比首页的 url 多了“_7”，接下来再点击分别进入第 2 页，第 3 页……观察 url 的变化，可得出下表。分别是 页面、url 形式：

| 首页 | https://www.nanrentu.cc/sgtp/36805.html |
| 第 2 页 | https://www.nanrentu.cc/sgtp/36805_2.html |
| 第 3 页 | https://www.nanrentu.cc/sgtp/36805_3.html |
| 第 4 页 | https://www.nanrentu.cc/sgtp/36805_4.html |
| 第 5 页 | https://www.nanrentu.cc/sgtp/36805_5.html |
| 第 6 页 | https://www.nanrentu.cc/sgtp/36805_6.html |
| 第 7 页 | https://www.nanrentu.cc/sgtp/36805_7.html |

多点几个组图，也会发现同样规律。这样就明了很多了，我们已经分析清楚了这个跟“藤”的开头与结尾，接下来就可以敲出代码让爬虫开始“摸瓜”咯。

摸瓜第 1 步:提取标题链接

这个操作与上篇博文中所介绍的一样，打开调试台切换到 Elements 选项卡就能开始探索提取了。

摸瓜第 2 步：提取末页链接，得出组图页数

通过观察 HTML 元素结构，可发现包含末页的 <li> 标签为其父元素<ul>的倒数第二个子元素，所以可得出以下的 css 选择器

.page > ul > li:nth-last-child(2) > a

摸瓜第 3 步：根据首尾链接构造 url

为了构造 url 更加方便，我们可以把首页 https://www.nanrentu.cc/sgtp/36805.html 变为 https://www.nanrentu.cc/sgtp/36805_1.html, 在浏览器中打开带有后缀的这个网址，依然能够成功访问到首页，不要问我为什么？这可能就是程序员之间的一种默契吧~

摸瓜第 4 步：存储图片，摸瓜成功

完整的代码如下：

import requests
from pyquery import PyQuery as pq
import uuid

headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36',
    'cookie': 'UM_distinctid=170a5a00fa25bf-075185606c88b7-396d7407-100200-170a5a00fa3507; CNZZDATA1274895726=1196969733-1583323670-%7C1583925652; Hm_lvt_45e50d2aec057f43a3112beaf7f00179=1583326696,1583756661,1583926583; Hm_lpvt_45e50d2aec057f43a3112beaf7f00179=1583926583'
}
def saveImage(imgUrl,name):
    imgResponse = requests.get(imgUrl)
    fileName = "学习文件 /%s.jpg" % name
    if imgResponse.status_code == 200:
        with open(fileName, 'wb') as f:
            f.write(imgResponse.content)
            f.close()

def getPic(urlArray):
    for url in urlArray:
        res = requests.get(url,headers=headers)
        if res.status_code == 200:
            doc = pq(res.text)
            imgSrc = doc('.info-pic-list > a > img').attr('src')
            print(imgSrc)
            saveImage(imgSrc,uuid.uuid1().hex)
    

def createUrl(indexUrl,allPage):
    baseUrl = indexUrl.split('.html')[0]
    urlArray = []
    for i in range(1,allPage):
        tempUrl = baseUrl+"_"+str(i)+".html"
        urlArray.append(tempUrl)
    return urlArray

def getBoys(link):
    # 摸瓜第 1 步：获取首页连接
    picIndex = link.attr('href')
    #  摸瓜第 2 步：打开首页，提取末页链接，得出组图页数
    res = requests.get(picIndex,headers=headers)
    print("当前正在抓取的 picIndex: " + picIndex)
    if res.status_code == 200:
        with open("picIndex.html",'w',encoding="utf-8") as f:
            f.write(res.text)
        doc = pq(res.text)
        lastLink = doc('.page > ul > li:nth-last-child(2) > a').attr('href')
        # 字符串分割，得出全部的页数
        if(lastLink is None):
            return
        # 以.html 为分割符进行分割，取结果数组中的第一项
        temp = lastLink.split('.html')[0]
        # 再以下划线 _ 分割，取结果数组中的第二项,再转为数值型
        allPage = int(temp.split('_')[1])
        # 摸瓜第 3 步：根据首尾链接构造 url
        urlArray = createUrl(picIndex,allPage)
        # 摸瓜第 4 步：存储图片，摸瓜成功
        getPic(urlArray)

def main():
    baseUrl = "https://www.nanrentu.cc/sgtp/"
    response = requests.get(baseUrl,headers=headers)
    if response.status_code == 200:
        with open("index.html",'w',encoding="utf-8") as f:
            f.write(response.text)
        doc = pq(response.text)
        # 得到所有图集的标题连接
        titleLinks = doc('.h-piclist > li > a').items()
        # 遍历这些连接
        for link in titleLinks:
            getBoys(link)

if __name__ == "__main__":
    main()

运行结果：

回首掏

回顾整个爬虫程序，它是连续式流水线作业，每一步之间都是环环相扣，所以在写程序前自己一定要把整个流水线的每个环节都考虑清楚，把它们之间的顺序依赖关系化成一个简易的流程图，对着流程图再写程序就会清晰很多。我们可以把每一个模块都写成一个函数，先对函数做好单元测试，再把这些函数按顺序组合起来就行啦。分而治之，有机组合这就是编程的奥义。再复杂的项目，都是由一个个模块组建起来的，这和搭积木是一样的道理。

这个流程图只用单项箭头画出了获取一张图片的全部过程，这就相当于一个工人在干活，我们的计算机是一个大工厂里面有成千上万个工人，只让一个工人干活其他的人都在为他加油嘛？那也太说不过去，在下一篇文章中，我们将画出完整的流程图，分析出其他工人没活干的原因，然后充分调动起计算机的算力，来提升程序的运行效率。

如果您觉得我们写得还不错，记得 点赞 + 关注 + 评论 三连🥰🥰🥰，鼓励我们写出更好的教程💪

想要学习更多精彩的实战技术教程？来图雀社区逛逛吧。如果你觉得我们写得还不错，可以点击这个链接关注我们的微信公众号❤️

2715 次点击
所在节点    Python
5 条回复
hbolive
2020-04-28 11:00:57 +08:00
写得不错，昨天好像就发了，但那篇为啥看不到图？今天就可以了。。
ZoeYn
2020-04-28 11:17:00 +08:00
保姆式教程，👍
huan1043269994
2020-04-28 14:44:14 +08:00
@hbolive 昨天那个估计图床塌了🌚
CeresLC
2020-04-28 14:48:24 +08:00
怎么有一种 gay gay 的感觉？
nofacetou
2020-04-28 21:32:24 +08:00
这教程口气，把男的女的都当弱智了

这是一个专为移动设备优化的页面（即为了让你能够在 Google 搜索结果里秒开这个页面），如果你希望参与 V2EX 社区的讨论，你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/666835

V2EX 是创意工作者们的社区，是一个分享自己正在做的有趣事物、交流想法，可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX