1. 蜂鳥網圖檔-簡介
今天玩點新鮮的，使用一個新庫
aiohttp
，利用它提高咱爬蟲的爬取速度。
安裝子產品正常套路
pip install aiohttp 
運作之後等待，安裝完畢，想要深造，那麼官方文檔必備 ：
https://aiohttp.readthedocs.io/en/stable/接下來就可以開始寫代碼了。
我們要爬取的頁面，這一次選取的是
http://bbs.fengniao.com/forum/forum_101_1_lastpost.html 打開頁面，我們很容易就擷取到了頁碼
好久沒有這麼友善的看到頁碼了。
嘗試用
aiohttp
通路這個頁面吧，子產品的引入，沒有什麼特殊的，采用
import
即可
如果我們需要 使用
Asyncio + Aiohttp
異步IO 編寫爬蟲，那麼需要注意，你需要異步的方法前面加上
async
接下來，先嘗試去擷取一下上面那個位址的網頁源碼。
代碼中，先聲明一個fetch_img_url的函數，同時攜帶一個參數，這個參數也可以直接寫死。
with
上下文不在提示，自行搜尋相關資料即可 (｀・ω・´)
aiohttp.ClientSession() as session:
建立一個
session
對象，然後用該
session
對象去打開網頁。
session
可以進行多項操作，比如
post
,
get
put
等
代碼中
await response.text()
等待網頁資料傳回
asyncio.get_event_loop
建立線程，
run_until_complete
方法負責安排執行
tasks
中的任務。
tasks
可以為單獨的函數，也可以是清單。
import aiohttp
import asyncio
async def fetch_img_url(num):
url = f'http://bbs.fengniao.com/forum/forum_101_{num}_lastpost.html' # 字元串拼接
# 或者直接寫成 url = 'http://bbs.fengniao.com/forum/forum_101_1_lastpost.html'
print(url)
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6726.400 QQBrowser/10.2.2265.400',
}
async with aiohttp.ClientSession() as session:
# 擷取輪播圖位址
async with session.get(url,headers=headers) as response:
try:
html = await response.text() # 擷取到網頁源碼
print(html)
except Exception as e:
print("基本錯誤")
print(e)
# 這部分你可以直接臨摹
loop = asyncio.get_event_loop()
tasks = asyncio.ensure_future(fetch_img_url(1))
results = loop.run_until_complete(tasks)
上面代碼最後一部分也可以寫成
loop = asyncio.get_event_loop()
tasks = [fetch_img_url(1)]
results = loop.run_until_complete(asyncio.wait(tasks)) 好了，如果你已經成果的擷取到了源碼，那麼距離最終的目的就差那麼一丢丢了。
修改代碼為批量擷取10頁。
隻需要修改
tasks
即可,在此運作，看到如下結果
tasks = [fetch_img_url(num) for num in range(1, 10)] 下面的一系列操作和上一篇部落格非常類似，找規律。
随便打開一個頁面
http://bbs.fengniao.com/forum/forum_101_4_lastpost.html 點選一張圖檔，進入内頁，在點選内頁的一張圖檔，進入到一個輪播頁面
再次點選進入圖檔播放頁面
最後我們在圖檔播放頁面，找到源碼中發現了所有的圖檔連結，那麼問題出來了，如何從上面的第一個連結，轉變成輪播圖的連結？？？
下面的源碼是在
http://bbs.fengniao.com/forum/pic/slide_101_10408464_89383854.html
右鍵檢視源碼。
繼續分析吧~~~~
ヾ(=･ω･=)o
http://bbs.fengniao.com/forum/forum_101_4_lastpost.html
轉變成下面的連結？
http://bbs.fengniao.com/forum/pic/slide_101_10408464_89383854.html 繼續看第一個連結，我們使用F12開發者工具，去抓取一個圖檔看看。
圖檔中标黃色框的位置，發現了我們想要的數字，那麼好了，我們隻需要通過正規表達式把他們比對出來就好了。
代碼在下面
####
的位置，需要注意的是，我采用的原始的正則比對，在編寫正規表達式的過程中，我發現一步竟然沒有完整比對，隻能分成兩個步驟了，你可以看一下具體的細節
o(╥﹏╥)o
- 查找所有的圖檔
<div class="picList">
- 擷取我們想要的兩部分數字
async def fetch_img_url(num):
url = f'http://bbs.fengniao.com/forum/forum_101_{num}_lastpost.html'
print(url)
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6726.400 QQBrowser/10.2.2265.400',
}
async with aiohttp.ClientSession() as session:
# 擷取輪播圖位址
async with session.get(url,headers=headers) as response:
try:
###############################################
url_format = "http://bbs.fengniao.com/forum/pic/slide_101_{0}_{1}.html"
html = await response.text() # 擷取到網頁源碼
pattern = re.compile('<div class="picList">([\s\S.]*?)</div>')
first_match = pattern.findall(html)
href_pattern = re.compile('href="/forum/(\d+?)_p(\d+?)\.html')
urls = [url_format.format(href_pattern.search(url).group(1), href_pattern.search(url).group(2)) for url in first_match]
##############################################
except Exception as e:
print("基本錯誤")
print(e)
代碼完成，我們已經擷取到，我們想要的URL了，下面繼續讀取URL内部資訊，然後比對我們想要的圖檔連結
async def fetch_img_url(num):
# 去抄上面的代碼
async with aiohttp.ClientSession() as session:
# 擷取輪播圖位址
async with session.get(url,headers=headers) as response:
try:
#去抄上面的代碼去吧
################################################################
for img_slider in urls:
try:
async with session.get(img_slider, headers=headers) as slider:
slider_html = await slider.text() # 擷取到網頁源碼
try:
pic_list_pattern = re.compile('var picList = \[(.*)?\];')
pic_list = "[{}]".format(pic_list_pattern.search(slider_html).group(1))
pic_json = json.loads(pic_list) # 圖檔清單已經拿到
print(pic_json)
except Exception as e:
print("代碼調試錯誤")
print(pic_list)
print("*"*100)
print(e)
except Exception as e:
print("擷取圖檔清單錯誤")
print(img_slider)
print(e)
continue
################################################################
print("{}已經操作完畢".format(url))
except Exception as e:
print("基本錯誤")
print(e) 圖檔最終的JSON已經拿到，最後一步，下載下傳圖檔，當當當~~~~，一頓迅猛的操作之後，圖檔就拿下來了
async def fetch_img_url(num):
# 代碼去上面找
async with aiohttp.ClientSession() as session:
# 擷取輪播圖位址
async with session.get(url,headers=headers) as response:
try:
# 代碼去上面找
for img_slider in urls:
try:
async with session.get(img_slider, headers=headers) as slider:
# 代碼去上面找
##########################################################
for img in pic_json:
try:
img = img["downloadPic"]
async with session.get(img, headers=headers) as img_res:
imgcode = await img_res.read() # 圖檔讀取
with open("images/{}".format(img.split('/')[-1]), 'wb') as f:
f.write(imgcode)
f.close()
except Exception as e:
print("圖檔下載下傳錯誤")
print(e)
continue
###############################################################
except Exception as e:
print("擷取圖檔清單錯誤")
print(img_slider)
print(e)
continue
print("{}已經操作完畢".format(url))
except Exception as e:
print("基本錯誤")
print(e)
圖檔會在你提前寫好的
images
檔案夾裡面快速的生成
tasks
最多可以開1024協程，但是建議你開100個就OK了，太多并發，人家伺服器吃不消。
更多資源，歡迎關注公衆号：非大學程式員，搜尋
htmlhttp
就可以找到啦
以上操作執行完畢，在添加一些細節，比如儲存到指定檔案夾，就OK了。