本次爬蟲用到的網址是:
http://www.netbian.com/index.htm: 彼岸桌面.裡面有很多的好看桌面,而且都是可以下載下傳高清無損的,還比較不錯,是以我就拿這個網站練練手。
作為一個初學者,剛開始的時候,無論的代碼的品質如何,總之代碼隻要能夠被正确完整的運作那就很能夠讓自己開心的,如同我們的遊戲一樣,能在短時間内得到正向的回報,我們就會更有興趣去玩。
學習也是如此,隻要我們能夠在短期内得到學習帶來的回報,那麼我們的對于學習的欲望也是強烈的。
作為一個菜雞,能夠完整的完整此次爬蟲程式的編寫,那便是一個最大的收貨,但其實我在此次過程中的收獲遠不止此。
好的代碼其實應該具有以下特性
- 能夠滿足最關鍵的需求
- 容易了解
- 有充分的注釋
- 使用規範的命名
- 沒有明顯的安全問題
- 經過充分的測試
就以充分的測試為例,經常寫代碼的就應該知道,盡管多數時候你的代碼沒有BUG,但那僅僅說明隻是大多數情況下是穩定的,但是在某些條件下就會出錯(達到出錯條件,存在邏輯問題的時候等)。這是肯定的。至于什麼原因,不同的代碼有不同的原因。如果代碼程式都是一次就能完善的,那麼我們使用的軟體的軟體就不會經常更新了。其他其中的道理就不一 一道說了,
久而自知。
好的代碼一般具有的5大特性
1.便于維護
2.可複用
3.可擴充
4.強靈活性
5.健壯性
經過我的代碼運作我發現時間複雜度比較大,是以這是我将要改進的地方,但也不止于此。也有很多利用得不合理的地方,至于存在的不足的地方就待我慢慢提升改進吧!
路過的大佬歡迎留下您寶貴的代碼修改意見,
完整代碼如下
import os
import bs4
import re
import time
import requests
from bs4 import BeautifulSoup
def getHTMLText(url, headers):
"""向目标伺服器發起請求并傳回響應"""
try:
r = requests.get(url=url, headers=headers)
r.encoding = r.apparent_encoding
soup = BeautifulSoup(r.text, "html.parser")
return soup
except:
return ""
def CreateFolder():
"""建立存儲資料檔案夾"""
flag = True
while flag == 1:
file = input("請輸入儲存資料檔案夾的名稱:")
if not os.path.exists(file):
os.mkdir(file)
flag = False
else:
print('該檔案已存在,請重新輸入')
flag = True
# os.path.abspath(file) 擷取檔案夾的絕對路徑
path = os.path.abspath(file) + "\\"
return path
def fillUnivList(ulist, soup):
"""擷取每一張圖檔的原圖頁面"""
# [0]使得獲得的ul是 <class 'bs4.BeautifulSoup'> 類型
div = soup.find_all('div', 'list')[0]
for a in div('a'):
if isinstance(a, bs4.element.Tag):
hr = a.attrs['href']
href = re.findall(r'/desk/[1-9]\d{4}.htm', hr)
if bool(href) == True:
ulist.append(href[0])
return ulist
def DownloadPicture(left_url,list,path):
for right in list:
url = left_url + right
r = requests.get(url=url, timeout=10)
r.encoding = r.apparent_encoding
soup = BeautifulSoup(r.text,"html.parser")
tag = soup.find_all("p")
# 擷取img标簽的alt屬性,給儲存圖檔命名
name = tag[0].a.img.attrs['alt']
img_name = name + ".jpg"
# 擷取圖檔的資訊
img_src = tag[0].a.img.attrs['src']
try:
img_data = requests.get(url=img_src)
except:
continue
img_path = path + img_name
with open(img_path,'wb') as fp:
fp.write(img_data.content)
print(img_name, " ******下載下傳完成!")
def PageNumurl(urls):
num = int(input("請輸入爬取所到的頁碼數:"))
for i in range(2,num+1):
u = "http://www.netbian.com/index_" + str(i) + ".htm"
urls.append(u)
return urls
if __name__ == "__main__":
uinfo = []
left_url = "http://www.netbian.com"
urls = ["http://www.netbian.com/index.htm"]
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Safari/537.36"
}
start = time.time()
# 1.建立儲存資料的檔案夾
path = CreateFolder()
# 2. 确定要爬取的頁面數并傳回每一頁的連結
PageNumurl(urls)
n = int(input("通路的起始頁面:"))
for i in urls[n-1:]:
# 3.擷取每一個頁面的首頁資料文本
soup = getHTMLText(i, headers)
# 4.通路原圖所在頁連結并傳回圖檔的連結
page_list = fillUnivList(uinfo, soup)
# 5.下載下傳原圖
DownloadPicture(left_url, page_list, path)
print("全部下載下傳完成!", "共" + str(len(os.listdir(path))) + "張圖檔")
end = time.time()
print("共耗時" + str(end-start) + "秒")
運作
部分展示結果如下:
一起學Python,一起寫代碼,加油!奧利給!!!
爬蟲文章請觀看:
python爬蟲:網易新冠疫情資料爬取(一)