[python3.6]爬虫实战之爬取淘女郎图片

深藏阁楼爱情的钟 2022-06-06 03:20 336阅读 0赞

原博主地址：http://cuiqingcai.com/1001.html

原博是python2.7写的，并且随着淘宝代码的改版，原博爬虫已经不可用。

参考 http://minstrel.top/TaoBaoMM 这位博主跟我一样最近正在学习爬虫。

###     ###

**1 定个小目标**

lcw先生听说我即将爬取美女的照片，两眼都亮了。没错，我要给他福利了（其实女生也很喜欢美女）。

所以，定个最小的目标：

1.在F盘建立美女文件夹

2.文件夹下按照淘女郎美人库默认美人排序，抓取31个美女的信息（因为一页默认是30个人，不至于太少，也能太多要不然抓取时间太多，lcw的破电脑也装不下）

3.每个以美人名字命名的文件夹下，取10张照片（内容小，别介）

2 抓取过程

进入淘女郎首页之后，点击找模特，进入我们需要爬取的页面。可以看到页面上是默认tag在美人库上。也即是有30位默认的美人出现在页面。每一位有相应的照片以及个人信息。30位美人下方，是页码和总美人数的信息。因为我也是web出身。像这种信息和数量都有变化的信息展示，肯定不是静态页面。一般都是通过js动态加载而来。通过开发者工具（google浏览器，F12, Json handle插件 感谢小伙伴告诉我这个插件）,动态监控network.在查找加载信息的http时，我犯了个错误，一直以为返回的信息应该是json信息。这是我们post返回结果最常见的格式，但事实是返回的xhr信息。这就是抓包工具用得少的下场，哭。

明确了type是xhr后，很快找到了这个：

https://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8

在headers里面 fromdata中查看source可以看到参数列表：

q=&viewFlag=A&sortType=default&searchStyle=&searchRegion=city%3A&searchFansNum=¤tPage=2&pageSize=100

我们只需要currentPage这个参数。

https://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8&currentPage=2可以立刻看到下一页的信息。 
     
     
     输入这个网址，借助json handle插件得到： 
     可以看到页面上清楚的显示了当前页面上30位佳丽的信息，以及当前页面，总共美女数目。 其实这些信息也可以通过正则匹配来得到，不过相对于直接使用js获取，肯定后者更快捷。 2 目标 1.找到模特总页数 2.找到所得页的模特的json格式的信息，这一步主要为了获取每个模特的id。只有知道id才能进入到她的主页。这里 有一个十分重要的信息，是之前我忽略了的。就是动态页面。爬虫通过url可以得到一个页面，也无法得到加载该页面 时通过参数动态加载的内容。所以，这里想要通过url直接得到模特的信息内容是不可能的。这是静态页面与动态 页面的区别。 3.找到相册总页数 4.找到所得相册页的json格式的信息。与第二步相似。得到每个相册的id. 5.通过相册id得到每个相册的url。通过该url爬取该相册下的内容。 （身为一个大写的直男，lcw同学在看到我的目标之后，提出了更进一步的要求：要筛选出理想身高理想颜值的mm。好， 后期为你实现。） 3 按照目标步骤写程序 3.1 根据https://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8&currentPage=1可以得到上述 图片中展示的信息。程序如下： #!usr/bin/env/python
    #encoding:UTF-8
    
    import urllib
    import requests
    import json
    import os
    import re
    import time
    
    currentPage = 1
    
    headers = {
            'User-Agent': r'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT) '
                        r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
             'Connection': 'keep-alive'
            }
    url = 'https://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8'
    try:
        data = urllib.parse.urlencode({"currentPage":currentPage}).encode('utf-8')
        request = urllib.request.Request(url,data = data, headers = headers)
        res = urllib.request.urlopen(request).read().decode('gbk')
        print(res)
    except urllib.error.URLError as e:
        if hasattr(e, "reason"):
            print("连接失败，错误原因：",e.reason)
            
    
    
    注意，这里的res是使用gbk。这个也是通过network中查看response得到的。
     
     
     
     3.2 点击一位模特（以朱琳为例）的主页面，得到地址https://mm.taobao.com/self/model_album.htm?
     spm=719.7800510.a312r.17.xcy6bS&user_id=176817195。spm不知道是什么暂时不管。user_id已经通过上面的json
     得到了。那么怎么得到动态加载得到的相册信息呢。F12，刷新查看，得到返回值为xhr的一个请求地址：https://mm.taobao.com/self/album/open_album_list.htm?_charset=utf-8&user_id%20=176817195。
     在地址栏输入上面的地址得到图片：
     
     以上信息虽然不是json格式的信息，但是我们欣喜的发现，所需要的信息全部在这里。用爬虫获取上述url的html内容
     
     相册ID和相册总页数都得到了。其实跟json差不多。
     多说一句。本来我查看原始页面，不是这个中间请求页面时，想要根据下面这个获得总的相册页数:
     查看：
     
     的源码：
     
     之前是希望通过上述代码得到总页面数'9'. 发现通过https://mm.taobao.com/self/model_album.htm?user_id=17681
     7195无法获取上述Html.
     只能找到加载该页面时的动态请求https://mm.taobao.com/self/album/open_album_list.htm?_charset=utf-8&user
     _id%20=176817195的源码，从而得到：
     
     老实说这种方法真的很笨。不知道有没有更简易的方式。
     
     找到相册ID后。，通过https://mm.taobao.com/self/album_photo.htm?user_id=176817195&album_id=10000962815
     点击进入相册，同样查找xhr文件，找到：https://mm.taobao.com/self/album/album_photo_list.htm?user_id=
     176817195&album_id=301783179&album_flag=0，直接打开该连接源码找到：
     https://mm.taobao.com/album/json/get_album_photo_list.htm?user_id=176817195&album_id=10000794223&page=1 
     这总算找到了相册的信息。
     
     这个信息简直要什么有什么啊。
     好了。
     现在开始写程序：
     #!usr/bin/env/python
    #encoding:UTF-8
    
    import urllib
    import requests
    import json
    import os
    import re
    import time
    
    class MMSpider:
    
     def __init__(self):
            self.__code_type = 'gbk'
            self.__http = 'http:'
            # 美人库动态加载xhr数据的url
            self.__url = 'http://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8'
            # 模特主页地址
            self.__person_url = 'http://mm.taobao.com/self/aiShow.htm?userId='
            #相册地址
            self.__all_album_url = 'https://mm.taobao.com/self/album/open_album_list.htm?_charset=utf-8&user_id%20='
            # 具体相册地址
            self.__pic_url = "https://mm.taobao.com/album/json/get_album_photo_list.htm?user_id="
            # 存储照片的基地址
            self.__save_path = 'F:\Beauty'
            # 想要获取的页数
            self.__total_page = 1
            # 当前正在提取的页数
            self.__currentPage = 1 
            # 找到具体album的id的正则表达式
            self.__album_id_pattern = re.compile('''<h4>.*?album_id=(.*?)&''', re.S)
            # album有多少的的正则表达式
     
            # 找到具体album的id的正则表达式
            self.__album_page_pattern = re.compile('''<input name="totalPage" id="J_Totalpage" value="(.*?)"''', re.S)
    
       #根据动态请求获取需要的第X页的json数据，找出userId
     def get_person_dict(self, currentPage):
            try:
                data = {
                    "currentPage":currentPage
                    }
                data = urllib.parse.urlencode(data).encode('utf-8')
                request = urllib.request.Request(self.__url, data=data)
                response = urllib.request.urlopen(request)
                result = response.read().decode(self.__code_type)
                return json.loads(result)
            except urllib.error.URLError as e:
                print('美人动态加载信息出错',e.reason)
    
    
        # 根据得到的userID,找到相册的总页数
     def get_album_page(self, userId):
            try:
                all_album_url = self.__all_album_url+str(userId)
                res = urllib.request.urlopen(all_album_url)
                html = res.read().decode(self.__code_type)
                return re.search(self.__album_page_pattern, html).group(1)
            except urllib.error.URLError as e:
                print('动态加载相册总信息出错',e.reason)
                return None
    
        # 由得到的相册总页数范围内指定的页数，获取该页所有相册的ID
     def get_album_ids(self, userId, page):
    		try:
    			all_album_url = self.__all_album_url + str(userId) + "&" + str(page)
    			request = urllib.request.Request(all_album_url)
    			response = urllib.request.urlopen(request)
    			html = response.read().decode(self.__code_type)
    			# 提取该页中album的id
    			return re.findall(self.__album_id_pattern, html)
    		except urllib.error.URLError as e:
    			print("提取相册id出错了！", e.reason)
        
           # 找到一个相册内的图片有多少页
     def get_pic_page(self, userId, albumId):
    		try:
    			# 先得到这个相册一共有多少页
    			url = self.__pic_url + str(userId) + "&album_id=" + str(albumId)
    			response = urllib.request.urlopen(url)
    			result = json.loads(response.read().decode(self.__code_type))
    			return result["totalPage"]
    		except urllib.error.URLError as e:
    			print(e.reason)
    			return None
            
            # 根据相册图片页数获取指定页数的图片信息
     def get_img_url(self, person, j, album_id):
    		url = self.__pic_url + str(person["userId"]) \
    			  + "&album_id=" + str(album_id) \
    			  + "&page=" + str(j)
    		try:
    			response = urllib.request.urlopen(url, timeout=5)
    			result = response.read().decode(self.__code_type)
    			imgs_url = json.loads(result)["picList"]
    			return imgs_url
    		except TimeoutError as e:
    			print('1',e.strerror)
    		except urllib.error.URLError as e:
    			print('2',e.reason)
    		except BaseException as e:
    			print('3',e.args)
    	# 保存model的个人信息
     def save(self, searchDOList):
                for person in searchDOList:
                    dir_path = self.__save_path+'\\'+person['realName']
                    if self.mkdir(dir_path):
                        txt_path = dir_path+'\\'+person['realName']+'.txt'
                        self.write_txt(txt_path, person)
                        self.save_imgs(person,dir_path)
                        
     def mkdir(self, dir_path):
                if(os.path.exists(dir_path)):
                   return False
                else:
                   os.mkdir(dir_path)
                   return True
    
     def write_txt(self,txt_path, person):
                   person_url = self.__person_url+str(person['userId'])
                   content = "姓名：" + person["realName"] + "  城市：" + person["city"] \
    				  + "\n身高：" + str(person["height"]) + "  体重：" + str(person["weight"]) \
    				  + "\n喜欢：" + str(person["totalFavorNum"]) \
    				  + "\n个人主页：" + person_url
                   with open(txt_path, 'w',encoding='utf-8')as file:
                        print('正在保存%s的文字信息'%(person['realName']))
                        file.write(content)
                        file.close()
    
     def save_imgs(self, person, dir_path):
        album_page = self.get_album_page(person['userId'])
        print(album_page)
        img_index = 1
        for i in range(1, int(album_page)+1):
            album_ids =self.get_album_ids(person["userId"],i)
            
            for album_id in album_ids:
                pic_page = self.get_pic_page(person["userId"],album_id)
                
                for j in range(1, int(pic_page)+1):
                    img_urls = self.get_img_url(person,j,album_id)
                    
                    for img_url in img_urls:
                        try:
                            url = self.__http+img_url["picUrl"]
                            res = urllib.request.urlopen(url, timeout =5)
                          
                            with open(dir_path+'\\'+str(img_index)+'.jpg','wb') as file:
                                file.write(res.read())
                                if img_index % 10 ==0:
                                   print('sleep 1 second')
                                   time.sleep(1)
                                if img_index>=11:
                                    print('%s已保存11张辣照'%person['realName'])
                                    file.close()
                                    return
                                img_index +=1
                        except TimeoutError as e:
                            print('1',e.strerror)
                        except urllib.error.URLError as e:
                            print('2',e.reason)
    
                            
     def start(self):
        print("开始！")
        opener = urllib.request.build_opener()
        opener.addheaders = [("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.96 Safari/537.36")]
        urllib.request.install_opener(opener)
        for i in range(self.__total_page):
            dict_result = self.get_person_dict(self.__currentPage)
            searchDOList = dict_result["data"]["searchDOList"]
            
            # 保存所有本页中MM的信息
            self.save(searchDOList)
            self.__currentPage += 1
    
    
    if __name__=="__main__":
                   spider = MMSpider()
                   spider.start()