Python爬虫实战之（三）| 一个海贼迷的呐喊

作者：xiaoyu
微信公众号：Python数据科学
知乎：Python数据分析师

---

<10>

海贼王已经10年了，一路陪伴了我们的点点滴滴。它热血，激情，感人，欢乐，吸引了无数男女老少的紧紧跟随。
说起来还真有点小心酸，原谅博主也是个海贼迷，心中怀揣着很大的梦想，誓死也要成为海贼王的男人。
但如今梦想已经破灭了，因为博主有了女朋友...

什么？说我是假粉丝，我上去就给你一巴掌！看到最后你就知道什么叫真粉儿！！

好了，收！

爬取目标

说说我们的正题，前面两篇爬虫学习介绍了正则和BeautifulSoup的内容，这里其实是想借着这个机会给大家分享一下正则和BeautifulSoup解析的实战例子。

目标实现比较简单，就是下载xxx网站上海贼王动漫的套图。爬取效果如下：

（截取了部分下载过程）

（部分下载图片）

采取了多线程爬取，总共1000多张，都存在本地了。

功能分析

本篇目的是使用正则+BeautifulSoup，因此后面不更多赘述了。

提取系列链接

通过开发者工具看到，所有的系列都是同一级别的节点，那么我们首先应该做的是遍历所有页码，然后提取每页各个系列的链接。

接下来看看链接在哪。

小提示：红框内第一个是鼠标自动跟随，第二个是手机/PC切换，使用起来非常方便。

具体点开其中一个系列标签一看，我们要的链接正是<a>标签下的href属性，但是你会发现有两个一模一样的href属性，链接也一样，而我们只需要一个，这就需要小处理一下了，提供两个思路：

• 使用BeautifulSoup方法单独提炼出一个链接
• 两个链接都提炼出来，放进set集合中去重

这里博主用的第一种方法。

提取系图片链接

同样的过程，图片的链接在<p>标签下的子节点<img>的src属性里，依然使用BeautifulSoup就可轻松解决。

但是这里的网页排版有个问题，就是有的系列中多组图在一页中，而有的系列每页只有一张图，需要翻页查看。

解决方法是不管有没有翻页，都直接遍历该系列下的所有页，通过返回的状态码来判断下一步动作。

好了，解析的任务的分析差不多完成了，下面看看具体代码如何实现的。

代码实现

下载系列链接：

def html_parse(self, num):
    try:
        url_make = self.url.format(num)
        html = requests.get(url_make, timeout=10)
        soup = BeautifulSoup(html.content, 'lxml')
        ul_tag = soup.find_all('ul', class_='spic pic1')
        soup1 = BeautifulSoup(str(ul_tag[0]), 'lxml')

        for counter, li_tag in enumerate(soup1.find_all('li')):
            soup2 = BeautifulSoup(str(li_tag), 'lxml')
            a_tag = soup2.find_all('a')
            href_list = re.findall(re.compile('href="(.+?)"'), str(a_tag))
            if len(href_list) != 0:
                print('第 ' + str(num) + ' 页: ----第 ' + str(counter + 1)
                      + '个链接：' + href_list[0] + ' ----')
                self.q.put(href_list[0])
        sleep(random.randint(2, 3))
    except requests.ConnectionError:
        pass

下载图片链接：

 def picture_parse(self):
        try:
            sub_url = self.q.get()
            sub_url_base = sub_url[:-6]
            for page in range(1, 10):
                sub_url_new = sub_url_base + '_' + str(page) + '.shtml'

                html2 = requests.get(sub_url_new)
                if html2.status_code == 200:
                    soup = BeautifulSoup(html2.content, 'lxml')
                    div_tag = soup.find_all('div', id='pictureContent')
                    soup1 = BeautifulSoup(str(div_tag[0]), 'lxml')

                    for img_tag in soup1.find_all('img', src=re.compile('.+?')):
                        soup3 = BeautifulSoup(str(img_tag), 'lxml')
                        if soup3.img['src'] is not None:
                            self.picture_link.append(soup3.img['src'])
                            print(str('----' + soup3.img['alt']) + '链接 : '
                                  + str(soup3.img['src']) + ' ----')
                    sleep(random.randint(2, 3))
                else:
                    pass
        except requests.ConnectionError:
            pass

下载并储存图片到本地：

 def picture_store(self):
    try:
        for num, link in enumerate(set(self.picture_link)):
            html3 = requests.get(link)
            picture_path = 'D:\Pictures_Downloaded\\' + 'pic' + str(num+1) + '.jpg'
            with open(picture_path, 'wb') as f:
                f.write(html3.content)
    except requests.ConnectionError:
        pass

多线程队列任务：

def main(self):
    page_num = 2
    threads_0 = []
    for i in range(1, page_num):
        t = Thread(target=self.html_parse, args=(i,), name='Thread-0')
        threads_0.append(t)
    for i in range(len(threads_0)):
        threads_0[i].start()
    for i in range(len(threads_0)):
        threads_0[i].join()

    threads_1 = []
    for i in range(self.q.qsize()):
        t1 = Thread(target=self.picture_parse, args=(), name='Thread-1')
        threads_1.append(t1)
    for i in range(len(threads_1)):
        threads_1[i].start()
    for i in range(len(threads_1)):
        threads_1[i].join()

    self.picture_store()

注：爬取间隔可以适当再长点，减轻目标服务器的负担，也理解一下辛苦的运维工作人员。

代码比较简单，目的是在实战中掌握正则和BeautifulSoup解析方法，欢迎大家指点和讨论。

完整代码已上传到Github，请参考：https://github.com/xiaoyusmd/...

作品展示

这部分是为了兑现铁粉儿的承诺，不感兴趣可忽略。

博主库爱画画，素描，水彩，国画都学过点，当然这个是在wacom绘画板上，利用corel painter + photoshop完成的。由于热爱海贼王动漫，闲暇时间画了个各种海贼绘画。

以下是几张索隆桑的绘图（无水印），感兴趣的朋友可以收藏：）

---

关注微信公众号Python数据科学，获取 120G 人工智能 学习资料。