平时旅游的时候，在旅游景区我们经常可以看到穿各种服饰去拍照的游客，也不会刻意多关注。前两天浏览网页无意看到一个网站，看到穿汉服的女孩是真的很好看。无论是工作需要还是创作文案，把这么漂亮的图片来当作素材都是一个很好的idea。有需要，我们就爬它，爬它，爬它！
话不多说，我们下面详细介绍图片爬取。
分析网站
网址如下：
https://www.aihanfu.com/zixun/tushang-1/
这是第一页的网址，根据观察，第二页网址也就是上述网站序号1变成了2，依次类推，就可以访问全部页数。
根据图示，我们需要获得每个子网站的链接，也就是href中网址，然后进入每个网址，寻找图片网址，在下载就行了。
子链接获取
为了获取上图中的数据，我们可以用soup或者re或者xpath等方法都可以，本文中小编使用xpath来定位，编写定位函数，获得每个子网站链接，然后返回主函数，这里使用了一个技巧，在for循环中，可以看看！
def get_menu(url, heades):
"""
根据每一页的网址
获得每个链接对应的子网址
params: url 网址
"""
r = requests.get(url, headers=headers)
if r.status_code == 200:
r.encoding = r.apparent_encoding
html = etree.HTML(r.text)
html = etree.tostring(html)
html = etree.fromstring(html)
# 查找每个子网址对应的链接, 然后返回
children_url = html.xpath('//div[@class="news_list"]//article/figure/a/@href')
for _ in children_url:
yield _
获取标题和图片地址
为了尽量多的采集数据，我们把标签和图片地址采集一下，当然如果其他项目需要采集发布者和时间，也是可以做到多的，本篇就不再展开。
我们点开一个网址链接，如上图所示，可以发现标题在head的节点里面，获取标题是为创建文件夹时使用。
代码如下：
def get_page(url, headers):
"""
根据子页链接，获得图片地址，然后打包下载
params: url 子网址
"""
r = requests.get(url, headers=headers)
if r.status_code == 200:
r.encoding = r.apparent_encoding
html = etree.HTML(r.text)
html = etree.tostring(html)
html = etree.fromstring(html)
# 获得标题
title = html.xpath(r'//*[@id="main_article"]/header/h1/text()')
# 获得图片地址
img = html.xpath(r'//div[@class="arc_body"]//figure/img/@src')
# title 预处理
title = ''.join(title)
title = re.sub(r'【|】', '', title)
print(title)
save_img(title, img, headers)
保存图片
在翻转每一页时我们都需要把子链接对应的图片保存下来，此处需要注意对请求的状态判断、路径判断。
def save_img(title, img, headers):
"""
根据标题创建子文件夹
下载所有的img链接，选择更改质量大小
params：title : 标题
params: img : 图片地址
"""
if not os.path.exists(title):
os.mkdir(title)
# 下载
for i, j in enumerate(img): # 遍历该网址列表
r = requests.get(j, headers=headers)
if r.status_code == 200:
with open(title + '//' + str(i) + '.png', 'wb') as fw:
fw.write(r.content)
print(title, '中的第', str(i), '张下载完成!')
主函数
if __name__ == '__main__':
"""
一页一页查找
params : None
"""
path = '/Users/********/汉服/'
if not os.path.exists(path):
os.mkdir(path)
os.chdir(path)
else:
os.chdir(path)
# url = 'http://www.aihanfu.com/zixun/tushang-1/'
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64)'
' AppleWebKit/537.36 (KHTML, like Gecko)'
' Chrome/81.0.4044.129 Safari/537.36'}
for _ in range(1, 50):
url = 'http://www.aihanfu.com/zixun/tushang-{}/'.format(_)
for _ in get_menu(url, headers):
get_page(_, headers) # 获得一页
至此我们已经完成了所有环节，关于爬虫的文章，小编已经不止一次的介绍了，一方面是希望大家可以多多熟悉爬虫技巧，另外一方面小编认为爬虫是数据分析、数据挖掘的基础。没有爬虫获取数据，何来数据分析。
