動態網頁爬取是爬蟲學習中的一個難點。本文將以知名插畫網站pixiv為例，簡要介紹動態網頁爬取的方法。
寫在前面
本代碼的功能是輸入畫師的pixiv id，下載畫師的所有插畫。由于本人水平所限，所以代碼不能實現自動登錄pixiv，需要在運行時手動輸入網站的cookie值。
重點：請求頭的構造，json文件網址的查找，json中信息的提取
分析
創建文件夾
根據畫師的id創建文件夾（相關路徑需要自行調整）。
def makefolder(id): # 根據畫師的id創建對應的文件夾
try:
folder = os.path.join('E:\pixivimages', id)
os.mkdir(folder)
return folder
except(FileExistsError):
print('the folder exists!')
exit()
獲取作者所有圖片的id
訪問url：https://pixiv.net/ajax/user/畫師id/profile/all（這個json可以在畫師主頁url：https://www.pixiv.net/users/畫師id 的開發者面板中找到，如圖：）
json內容：
將json文檔轉化為python的字典，提取對應元素即可獲取所有的插畫id。
def getAuthorAllPicID(id, cookie): # 獲取畫師所有圖片的id
url = 'https://pixiv.net/ajax/user/' + id + '/profile/all' # 訪問存有畫師所有作品
headers = {
'User-Agent': user_agent,
'Cookie': cookie,
'Referer': 'https://www.pixiv.net/artworks/'
# referer不能缺少，否則會403
}
res = requests.get(url, headers=headers, proxies=proxies)
if res.status_code == 200:
resdict = json.loads(res.content)['body']['illusts'] # 將json轉化為python的字典后提取元素
return [key for key in resdict] # 返回所有圖片id
else:
print("Can not get the author's picture ids!")
exit()
獲取圖片的真實url并下載
訪問url:https://www.pixiv.net/ajax/illust/圖片id?lang=zh，可以看到儲存有圖片真實地址的json：（這個json可以在圖片url：https://www.pixiv.net/artworks/圖片id 的開發者面板中找到）
用同樣的方法提取json中有用的元素：
def getPictures(folder, IDlist, cookie): # 訪問圖片儲存的真實網址
for picid in IDlist:
url1 = 'https://www.pixiv.net/artworks/{}'.format(picid) # 注意這里referer必不可少,否則會報403
headers = {
'User-Agent': user_agent,
'Cookie': cookie,
'Referer': url1
}
url = 'https://www.pixiv.net/ajax/illust/' + str(picid) + '?lang = zh' #訪問儲存圖片網址的json
res = requests.get(url, headers=headers, proxies=proxies)
if res.status_code == 200:
data = json.loads(res.content)
picurl = data['body']['urls']['original'] # 在字典中找到儲存圖片的路徑與標題
title = data['body']['title']
title = changeTitle(title) # 調整標題
print(title)
print(picurl)
download(folder, picurl, title, headers)
else:
print("Can not get the urls of the pictures!")
exit()
def changeTitle(title): # 為了防止
global i
title = re.sub('[*:]', "", title) # 如果圖片中有下列符號,可能會導致圖片無法成功下載
# 注意可能還會有許多不能用于文件命名的符號,如果找到對應符號要將其添加到正則表達式中
if title == '無題': # pixiv中有許多名為'無題'(日文)的圖片,需要對它們加以區分以防止覆蓋
title = title + str(i)
i = i + 1
return title
def download(folder, picurl, title, headers): # 將圖片下載到文件夾中
img = requests.get(picurl, headers=headers, proxies=proxies)
if img.status_code == 200:
with open(folder + '\\' + title + '.jpg', 'wb') as file: # 保存圖片
print("downloading:" + title)
file.write(img.content)
else:
print("download pictures error!")
完整代碼
import requests
from fake_useragent import UserAgent
import json
import re
import os
global i
i = 0
ua = UserAgent() # 生成假的瀏覽器請求頭,防止被封ip
user_agent = ua.random # 隨機選擇一個瀏覽器
proxies = {'http': 'http://127.0.0.1:51837', 'https': 'http://127.0.0.1:51837'} # 代理,根據自己實際情況調整,注意在請求時一定不要忘記代理!!
def makefolder(id): # 根據畫師的id創建對應的文件夾
try:
folder = os.path.join('E:\pixivimages', id)
os.mkdir(folder)
return folder
except(FileExistsError):
print('the folder exists!')
exit()
def getAuthorAllPicID(id, cookie): # 獲取畫師所有圖片的id
url = 'https://pixiv.net/ajax/user/' + id + '/profile/all' # 訪問存有畫師所有作品
headers = {
'User-Agent': user_agent,
'Cookie': cookie,
'Referer': 'https://www.pixiv.net/artworks/'
}
res = requests.get(url, headers=headers, proxies=proxies)
if res.status_code == 200:
resdict = json.loads(res.content)['body']['illusts'] # 將json轉化為python的字典后提取元素
return [key for key in resdict] # 返回所有圖片id
else:
print("Can not get the author's picture ids!")
exit()
def getPictures(folder, IDlist, cookie): # 訪問圖片儲存的真實網址
for picid in IDlist:
url1 = 'https://www.pixiv.net/artworks/{}'.format(picid) # 注意這里referer必不可少,否則會報403
headers = {
'User-Agent': user_agent,
'Cookie': cookie,
'Referer': url1
}
url = 'https://www.pixiv.net/ajax/illust/' + str(picid) + '?lang = zh' #訪問儲存圖片網址的json
res = requests.get(url, headers=headers, proxies=proxies)
if res.status_code == 200:
data = json.loads(res.content)
picurl = data['body']['urls']['original'] # 在字典中找到儲存圖片的路徑與標題
title = data['body']['title']
title = changeTitle(title) # 調整標題
print(title)
print(picurl)
download(folder, picurl, title, headers)
else:
print("Can not get the urls of the pictures!")
exit()
def changeTitle(title): # 為了防止
global i
title = re.sub('[*:]', "", title) # 如果圖片中有下列符號,可能會導致圖片無法成功下載
# 注意可能還會有許多不能用于文件命名的符號,如果找到對應符號要將其添加到正則表達式中
if title == '無題': # pixiv中有許多名為'無題'(日文)的圖片,需要對它們加以區分以防止覆蓋
title = title + str(i)
i = i + 1
return title
def download(folder, picurl, title, headers): # 將圖片下載到文件夾中
img = requests.get(picurl, headers=headers, proxies=proxies)
if img.status_code == 200:
with open(folder + '\\' + title + '.jpg', 'wb') as file: # 保存圖片
print("downloading:" + title)
file.write(img.content)
else:
print("download pictures error!")
def main():
global i
id = input('input the id of the artist:')
cookie = input('input your cookie:') # 半自動爬蟲,需要自己事先登錄pixiv以獲取cookie
folder = makefolder(id)
IDlist = getAuthorAllPicID(id, cookie)
getPictures(folder, IDlist, cookie)
if __name__ == '__main__':
main()
效果
總結
到此這篇關于Python爬取動態網頁中圖片的文章就介紹到這了,更多相關Python爬取動態網頁圖片內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- Python使用爬蟲抓取美女圖片并保存到本地的方法【測試可用】
- 使用Python的Scrapy框架十分鐘爬取美女圖
- Python制作爬蟲抓取美女圖
- python實現爬蟲下載美女圖片
- python爬蟲入門教程之點點美女圖片爬蟲代碼分享
- python小技巧之批量抓取美女圖片
- Python爬蟲之教你利用Scrapy爬取圖片
- python制作微博圖片爬取工具
- Python使用xpath實現圖片爬取
- 只用50行Python代碼爬取網絡美女高清圖片
