当前位置 博文首页 > 梦想橡皮擦，专栏100例写作模式先行者：技术圈的【多肉小达人】
20 行代码，变身技术圈多肉小达人
爬取目标
使用框架
重点学习内容
列表页与详情页分析
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。
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。
第二步，通过详情页地址获取多肉所有图片，代码编写过程中，Python 请求返回的 HTML 页面数据与开发者工具查看的不一致，以 Python 请求为准，差异如下。该差异最大的影响是正则表达式的书写。
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
测试代码过程中，顺手爬取了 2000+ 的多肉图片，有喜欢的可以直接下载。
https://download.csdn.net/download/hihell/19666183
上一篇博客中奖者 a1_girl 和 Bosen的技术分享栈 抓紧联系擦姐吧。
爬虫 120 例，加速更新中，篇篇抽奖，等不及可以提前购买。
只要评论数过 100
随机抽取一名幸运读者
奖励 29.9 元《Python 游戏世界》 1 折购买券一份，只需 2.99 元
cs今天是持续写作的第 165 / 200 天。可以点赞、评论、收藏啦。
