python带你采集各种表情包，做群里最靓的崽~- Python

前言

大家早好、午好、晚好吖~

环境使用:

Python 3.8
Pycharm 2021.2版本

模块使用:

import requests >>> pip install requests
import re

爬虫的基本套路

一. 数据来源分析

明确自己需求
url 唯一资源定位符 <图片视频音频都是唯一url地址>

二. 代码实现步骤

发送请求, 用python代码模拟浏览器对于url地址发送请求
获取数据, 获取服务器返回响应数据
解析数据, 提取我们想要图片url以及图片的标题
保存数据, 图片内容保存本地文件夹

代码

import requests  # 数据请求模块
import re  # 正则表达式
import time  # 时间模块
import concurrent.futures

def get_response(html_url):
    """
    发送请求函数
    :param html_url: 形式参数, 不具备实际意义
    :return:
    某些你不加伪装,也可以得到数据 <网站反爬>
    headers 字典数据类型,
    Cookie 用户信息, 常用于检测是否有登陆账号  <需要你登陆账号之后才能看到数据>
    User-Agent: 用户代理 表示浏览器基本身份标识
    """
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.54 Safari/537.36'
    }
    response = requests.get(url=html_url, headers=headers)
    return response  # <Response [200]> 响应对象, 200表示状态码 请求成功
源码、解答、教程加Q裙：832157862

def get_img_info(html_url):
    """
    获取图片信息函数
    :param html_url: 网址
    :return:
    """
    response = get_response(html_url=html_url)  # 调用函数
    # print(response.text)
    # <a href=".*?" title="(.*?)">  () 表示精确匹配, 我们想要数据内容  .*? 通配符 可以匹配任意字符 除了(\n换行符)
    # 正则表达式就是复制粘贴 想要的数据用(.*?)表示就可以了
    title_list = re.findall('<a href=".*?" title="(.*?)">', response.text)
    url_list = re.findall('<img class="ui image lazy" data-original="(.*?)"', response.text)
    zip_data = zip(title_list, url_list)  # zip() 内置函数, 可以把两个列表数据打包放到一起返回zip对象
    return zip_data  # <zip object at 0x000001B6B38A8900>

源码、解答、教程加Q裙：832157862
def save(title, img_url):
    """
    保存数据
    :param title: 图片标题
    :param img_url: 图片网址
    :return:
    """
    # 保存数据, 一定有数据
    title = re.sub(r'[\/:*?"<>|\n]', '', title)
    img_content = get_response(html_url=img_url).content  # 调用前面定义好的发送请求函数 .content 获取图片二进制数据内容
    with open('img\\' + title + '.' + img_url.split('.')[-1], mode='wb') as f:
        f.write(img_content)
    print(title, '保存成功')


def main(link):
    """
    主函数, 整合上面所有功能
    :param link:
    :return:
    """
    zip_data = get_img_info(html_url=link)
    for title, img_url in zip_data:
        save(title, img_url)

源码、解答、教程加Q裙：832157862
if __name__ == '__main__':
    # 采集多页数据内容, 可以分析请求url地址变化规律
    # 爬虫思路可以通用, 但是代码是不能通用
    # 每个网站数据结构不一样, 代码写法就不一样
    time_1 = time.time()
    exe = concurrent.futures.ProcessPoolExecutor(max_workers=7)
    for page in range(1, 201):
        url = f'https://fabiaoqing.com/biaoqing/lists/page/{page}.html'
        exe.submit(main, url)
    exe.shutdown()
    time_2 = time.time()
    use_time = int(time_2) - int(time_1)
    print('总计耗时: ', use_time)


#  单线程 采集20页数据 总计耗时:  71
#  多线程 采集20页数据 总计耗时:  14
#  青灯讲过爬虫 100多个案例 不同平台 网站 <学了不用担心 不会写代码 实践案例管饱...>