技术圈的【多肉小达人】，一篇文章你就能做到

20 行代码，变身技术圈多肉小达人

本篇博客目标

爬取目标

• 植萌网，多肉频道，目标数据源：https://www.zhimengo.com/duoroutu?page=1

使用框架

• requests，re
• 有读者说，为啥不用爬虫其它高级一些的框架呢？答：因为是爬虫 120 例系列专栏，由浅入深，目前仅进行到第 5 篇。

重点学习内容

• get 请求；
• 双进程爬取，一进程抓取 1-25 页，一进程抓取 26-55 页；
• 图片编号命名

列表页与详情页分析

• 分页数据标识明显，可以直接读取总页数；
• 详情页链接可直接获取。

详情页存在多图情况，具体如下所示，爬取过程中，需要对图片进行编号命名。例如 白凤多肉出1.png，白凤多肉出2.png。

编码时间

第一步，获取列表页中的详情页地址。

该步骤解决方案与之前的案例一致，获取网页源码，通过正则表达式解析。在解析前可以先通过字符串截取，获取目标区域的 HTML 代码。

import requests
import re

headers = {
    "user-agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.85 Safari/537.36"
}


def get_list():
    """
    获取全部详情页链接
    """
    all_list = []
    res = requests.get(
        "https://www.zhimengo.com/duoroutu?page=1", headers=headers)
    html = res.text
    start = '<ul class="list2">'
    end = '<ul class="pagination">'

    html = html[res.text.find(start):res.text.find(end)]
    pattern = re.compile(
        '<h3><a href="(.*?)" target="_blank" title="(.*?)">.*?</a></h3>')
    all_list = pattern.findall(html)

    return all_list

编写 run 函数，调用该函数。

def run():
    url_list = get_list()
    print(url_list)

if __name__ == "__main__":
    run()

运行代码之后，得到如下详情页列表，其中的标题用作后续图片存储使用。

捕获详情页图片地址的代码如下所示，这里经验是使用某固定地址进行正则表达式测试。

def get_detail(title, url):
    res = requests.get(url=url, headers=headers)
    html = res.text
    print(html)
    pattern = re.compile(
        '<img  alt=".*?" src="(.*?)">')
    imgs = pattern.findall(html)
    for index, url in enumerate(imgs):
        print(title, index, url)
        # save_img(title, index, url)


def run():
    url_list = get_list()
    # print(url_list)
    # for url, title in url_list:
    get_detail("粉蔓多肉植物", "https://www.zhimengo.com/duoroutu/24413")

上述代码的 save_img 是保存图片函数，具体代码如下：

def save_img(title, index, url):
    try:
        img_res = requests.get(url, headers=headers)
        img_data = img_res.content
        print(f"抓取：{url}")
        with open(f"images/{title}_{index}.png", "ab+") as f:
            f.write(img_data)
    except Exception as e:
        print(e)

接下来，继续对代码进行改造，本案例实现 2 个进程的爬虫，即双进程爬取，一进程抓取 1-25 页，一进程抓取 26-55 页。

此处改进的代码主要为 run 函数，具体如下：

def run(start, end):
    wait_url = [
        f"https://www.zhimengo.com/duoroutu?page={i}" for i in range(int(start), int(end)+1)]
    print(wait_url)

    url_list = []
    for item in wait_url:
        ret = get_list(item)
        # print(len(ret))
        print(f"已经抓取：{len(ret)} 条数据")
        url_list.extend(ret)

    # print(len(url_list))
    for url, title in url_list:
        get_detail(title, url)


if __name__ == "__main__":
    start = input("请输入起始页：")
    end = input("请输入结束页：")
    run(start, end)

运行程序，依据网速进行测试即可，双进程即启用两次该 Python 脚本，手动进行页码区分即可。

完整代码下载地址：https://codechina.csdn.net/hihell/python120