前言
好久没有写文章了,因为最近都在适应新的岗位,以及利用闲暇时间学习 python.这篇文章是最近的一个 python 学习阶段性总结,开发了一个爬虫批量下载某壁纸网站的高清壁纸.
注意:本文所属项目仅用于 python 学习,严禁作为其他用途使用!
初始化项目
项目使用了 virtualenv 来创建一个虚拟环境,避免污染全局.使用 pip3 直接下载即可:
pip3 install virtualenv
然后在合适的地方新建一个
wallpaper-downloader
目录,使用 virtualenv 创建名为 venv 的虚拟环境:
virtualenv venv
. venv/bin/activate
接下来创建依赖目录:
echo bs4 lxml requests > requirements.txt
最后 yun 下载安装依赖即可:
pip3 install -r requirements.txt
分析爬虫工作步骤
为了简单起见,我们直接进入分类为 "aero" 的壁纸列表页: http://wallpaperswide.com/aer... .
可以看到,这一页里面一共有 10 张可供下载的壁纸.但是由于这里显示的都是缩略图,作为壁纸来说清晰度是远远不够的,所以我们需要进入壁纸详情页,去找到高清的下载链接.从第一张壁纸点进去,可以看到一个新的页面:
因为我机器是 Retina 屏幕,所以我打算直接下载体积最大的那个以保证高清(红圈所示体积).
了解了具体的步骤以后,就是通过开发者工具找到对应的 dom 节点,提取相应的 url 即可,这个过程就不再展开了,读者自行尝试即可,下面进入编码部分.
访问页面
新建一个 download.py 文件,然后引入两个库:
from bs4 import BeautifulSoup
import requests
接下来,编写一个专门用于访问 url,然后返回页面 html 的函数:
def visit_page(url):
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_1) ApplewebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36'
}
r = requests.get(url, headers = headers)
r.encoding = 'utf-8'
soup = BeautifulSoup(r.text, 'lxml')
return soup
为了防止被网站反爬机制击中,所以我们需要通过在 header 添加 UA 把爬虫伪装成正常的浏览器,然后指定 utf-8 编码,最后返回字符串格式的 html.
提取链接
在获取了页面的 html 以后,就需要提取这个页面壁纸列表所对应的 url 了:
def get_paper_link(page):
links = page.select('#content > div > ul > li > div > div a')
collect = []
for link in links:
collect.append(link.get('href'))
return collect
这个函数会把列表页所有壁纸详情的 url 给提取出来.
下载壁纸
有了详情页的地址以后,我们就可以进去挑选合适的 size 了.在对页面的 dom 结构分析后可以知道,每一个 size 都对应着一个链接:
所以第一步,就是把这些 size 对应的链接提取出来:
wallpaper_source = visit_page(link)
wallpaper_size_links = wallpaper_source.select('#wallpaper-resolutions > a')
size_list = []
for link in wallpaper_size_links:
href = link.get('href')
size_list.append({
'size': eval(link.get_text().replace('x', '*')),
'name': href.replace('/download/', ''),
'url': href
})
size_list 就是这些链接的一个集合.为了方便接下来选出最高清(体积最大)的壁纸,在 size 中我使用了 eval 方法,直接把这里的 5120x3200 给计算出来,作为 size 的值.
获取了所有的集合之后,就可以使用 max() 方法选出最高清的一项出来了:
biggest_one = max(size_list, key = lambda item: item['size'])
这个 biggest_one 当中的 url 就是对应 size 的下载链接,接下来只需要通过 requests 库把链接的资源下载下来即可:
result = requests.get(PAGE_DOMAIN + biggest_one['url'])
if result.status_code == 200:
open('wallpapers/' + biggest_one['name'], 'wb').write(result.content)
注意,首先你需要在根目录下创建一个 wallpapers 目录,否则运行时会报错.
整理一下,完整的 download_wallpaper 函数长这样:
def download_wallpaper(link):
wallpaper_source = visit_page(PAGE_DOMAIN + link)
wallpaper_size_links = wallpaper_source.select('#wallpaper-resolutions > a')
size_list = []
for link in wallpaper_size_links:
href = link.get('href')
size_list.append({
'size': eval(link.get_text().replace('x', '*')),
'name': href.replace('/download/', ''),
'url': href
})
biggest_one = max(size_list, key = lambda item: item['size'])
print('Downloading the ' + str(index + 1) + '/' + str(total) + ' wallpaper: ' + biggest_one['name'])
result = requests.get(PAGE_DOMAIN + biggest_one['url'])
if result.status_code == 200:
open('wallpapers/' + biggest_one['name'], 'wb').write(result.content)
批量运行
上述的步骤仅仅能够下载第一个壁纸列表页的第一张壁纸.如果我们想下载多个列表页的全部壁纸,我们就需要循环调用这些方法.首先我们定义几个常量:
import sys
if len(sys.argv) != 4:
print('3 arguments were required but only find ' + str(len(sys.argv) - 1) + '!')
exit()
category = sys.argv[1]
try:
page_start = [int(sys.argv[2])]
page_end = int(sys.argv[3])
except:
print('The second and third arguments must be a number but not a string!')
exit()
这里通过获取命令行参数,指定了三个常量 category, page_start 和 page_end,分别对应着壁纸分类,起始页页码,终止页页码.
为了方便起见,再定义两个 url 相关的常量:
PAGE_DOMAIN = 'http://wallpaperswide.com'
PAGE_URL = 'http://wallpaperswide.com/' + category + '-desktop-wallpapers/page/'
接下来就可以愉快地进行批量操作了,在此之前我们来定义一个 start() 启动函数:
def start():
if page_start[0] <= page_end:
print('Preparing to download the ' + str(page_start[0]) + ' page of all the "' + category + '" wallpapers...')
PAGE_SOURCE = visit_page(PAGE_URL + str(page_start[0]))
WALLPAPER_LINKS = get_paper_link(PAGE_SOURCE)
page_start[0] = page_start[0] + 1
for index, link in enumerate(WALLPAPER_LINKS):
download_wallpaper(link, index, len(WALLPAPER_LINKS), start)
然后把之前的 download_wallpaper 函数再改写一下:
def download_wallpaper(link, index, total, callback):
wallpaper_source = visit_page(PAGE_DOMAIN + link)
wallpaper_size_links = wallpaper_source.select('#wallpaper-resolutions > a')
size_list = []
for link in wallpaper_size_links:
href = link.get('href')
size_list.append({
'size': eval(link.get_text().replace('x', '*')),
'name': href.replace('/download/', ''),
'url': href
})
biggest_one = max(size_list, key = lambda item: item['size'])
print('Downloading the ' + str(index + 1) + '/' + str(total) + ' wallpaper: ' + biggest_one['name'])
result = requests.get(PAGE_DOMAIN + biggest_one['url'])
if result.status_code == 200:
open('wallpapers/' + biggest_one['name'], 'wb').write(result.content)
if index + 1 == total:
print('Download completed!\n\n')
callback()
最后指定一下启动规则:
if __name__ == '__main__':
start()
运行项目
在命令行输入如下代码开始测试:
python3 download.py aero 1 2
然后可以看到下列输出:
拿 charles 抓一下包,可以看到正在脚本正在平稳地运行中:
此时,下载脚本已经开发完毕,终于不用担心壁纸荒啦!
来源: https://segmentfault.com/a/1190000012978490