熊孩子说“你没看过奥特曼”，赶紧用Python学习一下，没想到

2021-06-13 02:30:35LanceLee数据爬虫208

- N +

没想到奥特曼竟然还真的有这么多种类。

Python 爬虫 120 例，已完成文章清单

本篇博客目标

爬取目标

爬取 60+ 奥特曼，目标数据源： http://www.ultramanclub.com/?page_id=1156

使用框架

requests，re

重点学习的内容

get 请求；
requests 请求超时设定，timeout 参数；
re 模块正则表达式；
数据去重；
URL 地址拼接。

列表页分析
经过开发者工具的简单查阅，得到全部奥特曼卡片所在的 DOM 标签为 <li class="item"></li>
详情页所在的标签为 <a = href="详情页" ……

具体标签所在元素如下图所示：

稍后根据实际请求数据，整理一下正则表达式。

详情页

点击任意目标数据，进入详情页，详情页获取奥特曼图片，图片地址所在位置如下图所示。

右键可获得图片的所在标签。

整理需求如下

通过列表页，爬取全部奥特曼详情页的地址；
进入详情页，爬取详情页里面的图片地址；
下载保存图片；

代码实现

爬取全部奥特曼详情页地址

在爬取列表页的过程中，发现奥特曼页面使用了 iframe 嵌套，该手段也属于最简单的反爬手段，提取真实链接即可，故目标数据源切换为 http://www.ultramanclub.com/allultraman/ 。

import requests
import re
import time


# 爬虫入口
def run():
    url = "http://www.ultramanclub.com/allultraman/"
    try:
        # 网页访问速度慢，需要设置 timeout
        res = requests.get(url=url, timeout=10)
        res.encoding = "gb2312"
        html = res.text
        get_detail_list(html)

    except Exception as e:
        print("请求异常", e)


# 获取全部奥特曼详情页
def get_detail_list(html):
    start_index = '<ul class="lists">'
    start = html.find(start_index)
    html = html[start:]
    links = re.findall('<li class="item"><a href="(.*)">', html)
    print(len(links))
    links = list(set(links))
    print(len(links))


if __name__ == '__main__':
    run()

在代码编写过程中，发现网页访问速度慢，故设置 timeout 属性为 10，防止出现异常，

正则表达式匹配数据时，出现了重复数据，通过 set 集合进行去重，最终在转换为 list。

接下来对获取到的 list 进行二次拼接，获取详情页地址。

进行二次拼接得到的详情页地址，代码如下：

# 获取全部奥特曼详情页
def get_detail_list(html):
    start_index = '<ul class="lists">'
    start = html.find(start_index)
    html = html[start:]
    links = re.findall('<li class="item"><a href="(.*)">', html)
    # links = list(set(links))
    links = [f"http://www.ultramanclub.com/allultraman/{i.split('/')[1]}/" for i in set(links)]
    print(links)

爬取全部奥特曼大图

该步骤先获取网页标题的方式，然后用该标题，对奥特曼大图爬取命名。

爬取逻辑非常简单，只需要循环上文爬取到详情页地址，然后通过正则表达式进行匹配即可。

修改代码如下所示，关键节点查看注释。

import requests
import re
import time

# 声明 UA
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.85 Safari/537.36"
}
# 存储异常路径，防止出现爬取失败情况
error_list = []

# 爬虫入口
def run():
    url = "http://www.ultramanclub.com/allultraman/"
    try:
        # 网页访问速度慢，需要设置 timeout
        res = requests.get(url=url, headers=headers, timeout=10)
        res.encoding = "gb2312"
        html = res.text
        return get_detail_list(html)

    except Exception as e:
        print("请求异常", e)


# 获取全部奥特曼详情页
def get_detail_list(html):
    start_index = '<ul class="lists">'
    start = html.find(start_index)
    html = html[start:]
    links = re.findall('<li class="item"><a href="(.*)">', html)
    # links = list(set(links))
    links = [
        f"http://www.ultramanclub.com/allultraman/{i.split('/')[1]}/" for i in set(links)]
    return links


def get_image(url):
    try:
        # 网页访问速度慢	，需要设置 timeout
        res = requests.get(url=url, headers=headers, timeout=15)
        res.encoding = "gb2312"
        html = res.text
        print(url)
        # 获取详情页标题，作为图片文件名
        title = re.search('<title>(.*?)\[', html).group(1)
        # 获取图片短连接地址
        image_short = re.search(
            '<figure class="image tile">[.\s]*?<img src="(.*?)"', html).group(1)

        # 拼接完整图片地址
        img_url = "http://www.ultramanclub.com/allultraman/" + image_short[3:]
        # 获取图片数据
        img_data = requests.get(img_url).content
        print(f"正在爬取{title}")
        if title is not None and image_short is not None:
            with open(f"images/{title}.png", "wb") as f:
                f.write(img_data)

    except Exception as e:
        print("*"*100)
        print(url)
        print("请求异常", e)

        error_list.append(url)


if __name__ == '__main__':
    details = run()
    for detail in details:
        get_image(detail)

    while len(error_list) > 0:
        print("再次爬取")
        detail = error_list.pop()
        get_image(detail)

    print("奥特曼图片数据爬取完毕")

运行代码，看到图片接连存储到本地 images 目录中。

代码说明：

上述代码在主函数中，对列表页抓取到的详情页进行了循环抓取。即如下部分代码：

 for detail in details:
        get_image(detail)

由于本网站爬取速度慢，故在 get_image 函数中的 get 请求里面，加入了 timeout=15 的设定。

图片地址正则匹配与地址拼接，使用的代码如下：

# 获取详情页标题	，作为图片文件名
title = re.search('<title>(.*?)\[', html).group(1)
# 获取图片短连接地址
image_short = re.search(
    '<figure class="image tile">[.\s]*?<img src="(.*?)"', html).group(1)

# 拼接完整图片地址
img_url = "http://www.ultramanclub.com/allultraman/" + image_short[3:]