通过Python爬虫，发现60%女装大佬游走在cosplay领域

2021-05-25 23:34:21LanceLee数据爬虫313

- N +

橡皮擦，一个逗趣的互联网高级网虫。

上一篇博客抽奖公布

上一篇博客，我们设置了抽奖环节，恭喜 m0_58026795 ，抓紧联系擦姐吧。

以后爬虫 120 例每篇文章，只要评论超过50，我们就进行一轮评论抽奖。

coser 美图，用 Python 给她续上，再爬 2000 张

上一篇文章中有朋友说，为什么不用 BS4（一款爬虫解析框架）？答：会使用的，还没到时间。

爬虫 120 例系列教程，每篇博客都是一个实操案例，整个学习过程是循序渐进的，在初期阶段，我们将使用 requests 库与 re 模块进行爬虫编写。

而且，为了让课程更加有趣，我们将在爬美图的路上停留一段时间。

所以看到本文的朋友，可以点赞、收藏、关注啦。

目标数据源分析

本次待抓取的目标地址为：
https://bbs.mihoyo.com/dby/home/47?type=2

该页面为图片列表页，采用下拉浏览器刷新形式进行数据加载。

分析该页面数据，需要借助谷歌浏览器自带的开发者工具，通过 F12 唤醒开发者工具。

此时第一个问题出现，该网站使用 JS 调试禁止用户唤醒开发者工具。

即网页 JS 注入了下述代码：

(function anonymous() {
  debugger;
});

添加该反爬手段之后，打开开发者工具如下图所示。

解决办法非常简单，禁用浏览器 JS 调试，点击开发者工具右侧所示按钮，即可屏蔽该反爬手段。

抓取目标：
抓取该网站的图片，目标 3000 张。

用到的 Python 框架为：
requests 库、json 模块。

其它技术栈补充：
JSON 格式数据解析

目标网站地址规则：
获取列表页数据规则，通过开发者工具中 Network 视图配合滑动浏览器滚轮操作。

上图 1/2/3 分别是点击步骤，滚动浏览器，寻找数据接口，在 Network 视图下捕获浏览器向网站服务器发送的所有数据请求，并查阅浏览器响应。

为获取接口，可进行反复测试，直到确定数据所在接口，即在位置 3 的视图中，找到网页中的图片地址或者文字。

快速检索接口方式，在开发者工具窗口中，按下 Ctrl+F 按键，唤醒检索工具，输入待查询文字，回车搜索，可直接定位到接口地址。

以上步骤是检索数据接口常用的手段之一，在后续的博客中会反复提及，请务必掌握。

最终得到的数据接口如下：

https://bbs-api.mihoyo.com/post/wapi/getForumPostList?forum_id=47&gids=5&is_good=false&is_hot=false&last_id=6309404&page_size=20&sort_type=2

该接口通过 GET 形式访问，其中参数中可依据名字进行猜测：

page_size：每页数据量，默认是 20；
forum_id：板块 ID ，与 URL 地址一致，为 47；
is_good：未知含义；
is_hot：是否热门；
last_id：上一条数据 ID；
sort_type：排序类型；
gids：未知含义。

继续针对图片详情页进行分析，打开任意详情页。

https://bbs.mihoyo.com/dby/article/6270759

该页面详情页地址，只有最后的数字 6270759 发生了变化，并且该数字可以在列表页接口获取到。

通过开发者工具继续捕获接口，得到图片详情页也是基于接口进行数据返回，筛选后得到的接口如下。

https://bbs-api.mihoyo.com/post/wapi/getPostFull?gids=5&post_id=6270759&read=1

目标数据源分析完毕，就可以进行基本的需求描述了。

整理需求如下

列表页面无法批量生成，需要指定一个起始 ID ，下一次的抓取基于该 ID 值；
基于列表页接口返回，直接拼接详情页接口；
抓取详情页图片数据；
保存数据；
得到 3000 张图片之后，开始欣赏。

代码实现时间

本次待爬取的目标网站在编码过程中，发现网站验证了请求头，这是一种最基本的反爬手段。

在代码文件中，首先编写通用请求函数，将请求头中的 HOST 提取出来，默认 HOST 设置为 bbs-api.mihoyo.com，该值可通过开发者工具获取，获取方式可参考代码之后图示。

# 请求函数
def request_get(url, ret_type="text", timeout=5, encoding="utf-8", host="bbs-api.mihoyo.com"):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36",
        "Origin": "https://bbs.mihoyo.com",
        "Referer": "https://bbs.mihoyo.com/",
        "Host": host
    }
    res = requests.get(url=url, headers=headers, timeout=timeout)
    res.encoding = encoding
    if ret_type == "text":
        return res.text

    elif ret_type == "image":
        return res.content

    elif ret_type == "json":
        return res.json()

上述代码增加了 JSON 格式的数据返回，对于该格式的数据，你可以参考 Python 字典知识进行操作。

从起始种子开始抓起

使用上文获取到的列表页数据，列表页地址通过 f-strings 形式进行格式化，你也可以使用其它形式，例如 "".format() 或者 % 语法进行格式化字符串。

main 函数的起始值，使用你获取到的值即可，也可以使用下述我提供给你的值。

# 抓取函数
def main(last_id):
    # 起始页面
    url = f"https://bbs-api.mihoyo.com/post/wapi/getForumPostList?forum_id=47&gids=5&is_good=false&last_id={last_id}&is_hot=false&page_size=20&sort_type=2"
    res_json = request_get(url, ret_type="json", timeout=5)
    if res_json["retcode"] == 0:
        for item in res_json["data"]["list"]:
            # 抓取内页数据
            detail(item["post"]["post_id"])

if __name__ == '__main__':
    main(6356513)

该接口返回的 JSON 数据格式如下，重要参数为 retcode、last_id 、list，数据都存在 list 中。

调用图片内页接口

上述代码最终的目的是得到 post_id 值，因该值是后续接口的必备参数。完善 detail 函数，代码如下：

# 保存图片
def save_image(image_src):
    content = request_get(image_src, "image", host="upload-bbs.mihoyo.com")
    with open(f"{str(time.time())}.jpg", "wb") as f:
        f.write(content)
        global total
        total += 1
        print(f"保存第{total}张图片")


# 抓取内页数据
def detail(post_id):
    url = f"https://bbs-api.mihoyo.com/post/wapi/getPostFull?gids=5&post_id={post_id}&read=1"
    res_json = request_get(url, ret_type="json", timeout=5)
    if res_json["retcode"] == 0:
        image_list = res_json["data"]["post"]["image_list"]
        for img in image_list:
            img_url = img["url"]
            if (img_url.find("weigui")) < 0:
                save_image(img_url)

声明一个全局变量 total，用于记录爬取图片总数，在获取图片数据时，发现存在部分 Coser 图片违规，估计尺度过大的原因，返回的图片链接包含字符串 weigui.jpg ，故针对性进行数据清洗。

global total

if __name__ == '__main__':
    global total
    total = 0
    main(6356513)

迭代爬取

此时代码只爬取一页数据，无法达到我们的 3000 张图片目标，修改 main 函数，实现简单递归。

# 抓取函数
def main(last_id):
    # 起始页面
    url = f"https://bbs-api.mihoyo.com/post/wapi/getForumPostList?forum_id=47&gids=5&is_good=false&last_id={last_id}&is_hot=false&page_size=20&sort_type=2"
    res_json = request_get(url, ret_type="json", timeout=5)
    if res_json["retcode"] == 0:
        for item in res_json["data"]["list"]:
            # 抓取内页数据
            detail(item["post"]["post_id"])

    if res_json["data"]["last_id"] != "":
        return main(res_json["data"]["last_id"])