简易爬虫教程爬取4K高清图片

1.1 网址

# 谷歌浏览器http://www.netbian.com/weimei/

1.2 查看网页源代码

# 1 直接获取会遇到防火墙，添加verify=False去掉安全认证# 2 response.encoding = 'gbk'需要考虑原页面的代码# 查看代码中charest然后设定格式
*- 网址特点需要二进宫，进入该网址然后将结果输出

爬取数据

2.1 导入包

import requestsfrom bs4 import BeautifulSoup

2.2 获取数据

url= 'http://www.netbian.com/weimei/'headers = {    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36"}
# 获取主页面的页面的源代码并处理文字response = requests.get(url,headers=headers,verify=False)response.encoding = 'gbk'print(response.text)

2.3 解析数据

# 主页面的源代码交给bs4domain = 'http://www.netbian.com/'main_page = BeautifulSoup(response.text,"html.parser")a_list = main_page.find("div",class_="list").find_all("a")   # 范围第一次缩小a_list​​​​​​

*- 提取到的内容：href="/desk/23552.htm"
*- 实际网址：http://www.netbian.com/desk/23552.htm
*- 解决思路domain = 'http://www.netbian.com/'href = domain + b 获取第二次爬取的链接进入子链接后查看网页源代码——>通过获取信息下载该图片

2.4 下载数据

# 获取子页面的链接并进入子页面for a  in a_list:    b = a.get("href").strip("/")    if b.startswith('desk'):     # 判断开头        href = domain + b        # 直接通过get获取相关图片的链接                                                   child_response = requests.get(href,headers=headers,verify=False)    child_response.encoding = 'gbk'    child_page_text = child_response.text         # 获取子页面的内容
    child_page = BeautifulSoup(child_page_text,"html.parser")    div = child_page.find("div",class_="endpage")   # 范围第二次缩小
    img = div.find("img")          # 发现整个链接前一个    src = img.get("src")           #  需要什么属性就get什么，获取高清图片链接        # 下载图片    img_response = requests.get(src)
    # 图片内容下载到文件    img_name = src.split("/")[-1]   # 定义名字    with open("img2/"+img_name,mode="wb") as f:        f.write(img_response.content)
    print("over!",img_name)
print('all over !!!')

Python源代码：

import requests
from bs4 import BeautifulSoup
url= 'http://www.netbian.com/weimei/'
headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36"
}

# 获取主页面的页面的源代码并处理文字
response = requests.get(url,headers=headers,verify=False)
response.encoding = 'gbk'
print(response.text)
# 主页面的源代码交给bs4
domain = 'http://www.netbian.com/'
main_page = BeautifulSoup(response.text,"html.parser")
a_list = main_page.find("div",class_="list").find_all("a")   # 范围第一次缩小
a_list
# 获取子页面的链接并进入子页面
for a in a_list:
    b = a.get("href").strip("/")
    if b.startswith('desk'):  # 判断开头
        href = domain + b  # 直接通过get获取相关图片的链接

    child_response = requests.get(href, headers=headers, verify=False)
    child_response.encoding = 'gbk'
    child_page_text = child_response.text  # 获取子页面的内容

    child_page = BeautifulSoup(child_page_text, "html.parser")
    div = child_page.find("div", class_="endpage")  # 范围第二次缩小

    img = div.find("img")  # 发现整个链接前一个
    src = img.get("src")  # 需要什么属性就get什么，获取高清图片链接

    # 下载图片
    img_response = requests.get(src)

    # 图片内容下载到文件
    img_name = src.split("/")[-1]  # 定义名字
    with open("img2/" + img_name, mode="wb") as f:
        f.write(img_response.content)

    print("over!", img_name)

print('all over !!!')

 下载图片之前要建立文件夹

 下载图片之前要建立文件夹

 下载图片之前要建立文件夹