大家好呀,我是辣条。
专注app软件定制开发写这篇文章的灵感来源专注app软件定制开发于之前和朋友的聊天,专注app软件定制开发真的无力吐槽了,想发适合的表情包怼回去却发现收藏的表情包就那几个,就想着是不是可以爬取一些表情包,再也不用尬聊了。
先给大家看看我遇到的聊天最尬的场面:
斗图吧图片采集
抓取目标
网站:
工具使用
开发环境:win10、python3.7
开发工具:pycharm、Chrome
工具包:、etree
重点内容学习
1.Q队列储存数据信息
2.py使用方法
3.xpath语法学习
项目思路分析
根据你需要的关键字搜索对应的图片数据
搜索的关键字和页数根据改变对应的url
https://www.doutula.com/search?type=photo&more=1&keyword={}&page={}
将对应的url地址保存在page队列里
page_q = Queue() img_q = Queue() for x in range(1, 11): url = 'https://www.doutula.com/search?type=photo&more=1&keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&page={}'.format(x) page_q.put(url)
- 1
- 2
- 3
- 4
- 5
通过xpath方式提取当前页面的url地址以及图片的名字
将提取到的图片和地址存储在img队列里
def parse_page(self, url): response = requests.get(url, headers=self.headers).text # print(response) html = etree.HTML(response) images = html.xpath('//div[@class="random_picture"]') for img in images: img_url = img.xpath('.//img/@data-original') # 获取图片名字 print(img_url) alt = img.xpath('.//p/text()') for name, new_url in zip(alt, img_url): filename = re.sub(r'[??.,。!!*\\/|]', '', name) + ".jpg" # 获取图片的后缀名 # suffix = os.path.splitext(img_url)[1] # print(alt) self.img_queue.put((new_url, filename))
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
根据图片地址下载保存图片
保存图片是要根据图片url来判断保存的后缀(我统一保存的jpg,问就是因为懒癌晚期)
整理需求
- 创建两个线程类,一个用来提取网页图片数据,一个保存图片数据
- 创建两个队列,一个保存page的url, 一个保存图片的url和名字
- 通过xpath的方法提取出网址的图片地址
简易源码分享
import requestsfrom lxml import etreeimport refrom queue import Queueimport threadingclass ImageParse(threading.Thread): def __init__(self, page_queue, img_queue): super(ImageParse, self).__init__() self.page_queue = page_queue self.img_queue = img_queue self.headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36' } def run(self): if self.page_queue.empty(): break url = self.page_queue.get() self.parse_page(url) def parse_page(self, url): response = requests.get(url, headers=self.headers).text # print(response) html = etree.HTML(response) images = html.xpath('//div[@class="random_picture"]') for img in images: img_url = img.xpath('.//img/@data-original') # 获取图片名字 print(img_url) alt = img.xpath('.//p/text()') for name, new_url in zip(alt, img_url): filename = re.sub(r'[??.,。!!*\\/|]', '', name) + ".jpg" # 获取图片的后缀名 # suffix = os.path.splitext(img_url)[1] # print(alt) self.img_queue.put((new_url, filename))class Download(threading.Thread): def __init__(self, page_queue, img_queue): super(Download, self).__init__() self.page_queue = page_queue self.img_queue = img_queue def run(self): if self.img_queue.empty() and self.page_queue.empty(): break img_url, filename = self.img_queue.get() with open("表情包/" + filename, "wb")as f: response = requests.get(img_url).content f.write(response) print(filename + '下载完成')def main(): # 建立队列 page_q = Queue() img_q = Queue() for x in range(1, 11): url = 'https://www.doutula.com/search?type=photo&more=1&keyword=%E7%A8%8B%E5%BA%8F%E5%91%98&page={}'.format(x) page_q.put(url) for x in range(5): t = ImageParse(page_q, img_q) t.start() t = Download(page_q, img_q) t.start()if __name__ == '__main__': main()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
PS:表情包在手,聊天永不尬,没什么事是一个表情包解决不了的,如果有那就多发几个!对你有用的话给辣条一个三连吧,感谢啦!