写真爬虫（注意身体）
环境和配置Python 3.7.6
vscode
'''
@Description: 多线程爬虫
@Author: Levin-e
@Date: 2020-03-23 22:31:38
'''
import math
import re
import threading
import time
import urllib.request
from multiprocessing.dummy import Pool as ThreadPool
import requests
from bs4 import BeautifulSoup
from lxml import etree
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.106 Safari/537.36 Edg/80.0.361.54'
}
def get_info(url):
html = get_html(url)
selector = etree.HTML(html)
info = selector.xpath('//div[@id="dinfo"]/span/text()')
pic_num = re.findall(r'\d+', info)
page_num = math.ceil(int(pic_num)/3)
print('该套图总共有%s张' % pic_num)
print('该套图总共有%d页' % page_num)
return page_num
def get_html(url):
index = requests.get(url, headers=header)
return index.text
def get_href(url):# 获取图片下载地址
html = get_html(url)
selector = etree.HTML(html)
data = selector.xpath('//ul/img/@src')
for url in data:
url = url.replace('/s', '')
start_thread_save_img(data) # 调用多线程的函数
def save_img(img_src):
img_src = img_src.replace('/s', '')
print("正在下载 ->", img_src)
urllib.request.urlretrieve(
img_src, 'E:/photo/%s' % img_src.split('/')[-1])
# 地址格式记得更改，按照下面的例子自己替换，找个文件夹存放你的图
# 地址不存在是会报错的！！！
# 示例： E:/photo/
def start_thread_save_img(img_url_list):
pool = ThreadPool(3)# 一页三张图，选三就行了，大于这个数值是浪费的
pool.map(save_img, img_url_list)
pool.close()
def main():
url = "https://www.nvshens.net/g/30991/"# 目标网站的地址格式，千万要注意第一页和之后的页是不一样的
info = get_info(url)
start_time = time.time()
get_href(url)
second_url = "https://www.nvshens.net/g/30991/{}.html"# 上下都需要改地址
for i in range(2, info+1):# 如果下载到一半失败了，自己在这动手改页码继续下吧。。。
get_href(second_url.format(i))
time.sleep(2)# 这个数值不要太小，对别人的服务器好点，留点喘息的时间
end_time = time.time()
print("共耗时：", end_time-start_time)
if __name__ == '__main__':
main()
谢谢大佬分享 先收藏了，万一用到呢 多谢楼主分享 谢谢@Thanks！ 谢谢大牛 很给力，大牛论坛有你更精彩 谢谢分享
页:
[1]