Seleninum&PhamtomJS爬取煎蛋网妹子图
- 2020 年 1 月 7 日
- 筆記
目标网站:
需要爬取的网站:http://jandan.net/ooxx
目标分析:
先找到总页数,即可以利用selenium的模拟点击到下一个页面
找到每个图片的地址:
右键检查图片的代码,找到图片的代码
爬虫代码:
创建一个getJianDan.py文件,代码如下:
#!/usr/bin/env python # coding: utf-8 from selenium import webdriver from mylog import MyLog as mylog import json import os import urllib.request import time class GetJianDan(object): """the all data from jandan.net 所有数据来自煎蛋网 """ def __init__(self): self.startUrl = 'http://jandan.net/ooxx' self.log = mylog() self.browser = self.getBrowser() self.getPageNext(self.browser) def getBrowser(self): try: # 方法一: 指定PhantomJS的路径 #browser = webdriver.PhantomJS(executable_path=r"D:phantomjs-2.1.1-windowsbinphantomjs.exe") # 方法二: 复制PhantomJS.exe到C:Python35目录下(Python安装目录下) browser = webdriver.PhantomJS() browser.get(self.startUrl) # 打开目标网站 browser.implicitly_wait(20) # 等待js代码加载完毕 except Exception as e: self.log.error('open the %s failed:%s' % (self.startUrl, e)) else: return browser def saveImg(self, browser): # 找到所有图片的标签,返回一个list elements = browser.find_elements_by_xpath('//ol[@class="commentlist"]//div[@class="row"] //div[@class="text"]') for element in elements: src = element.find_element_by_xpath("./p//img").get_attribute('src') # img 下载地址 imgName = element.find_element_by_xpath("./span/a").text # img 名字 suffix_name = os.path.splitext(src)[1] # img后缀名 # 判断图片后缀是否为.gif,如果是则获取org_src属性 if suffix_name == '.gif': # 重新赋值给src,这样爬取的才是动态的gif图片 src = element.find_element_by_xpath("./p//img").get_attribute('org_src') full_name_img = imgName + suffix_name # img完整名字 try: # 下载图片,需要传入(图片下载地址,img完整名字带后缀名) urllib.request.urlretrieve(src, full_name_img) time.sleep(1) # 设置下载延迟，防止被封 except Exception as e: self.log.error('%s download failed, %s' % (full_name_img, e)) else: self.log.info('%s download success' % full_name_img) def createDir(self, dirName): """创建目录""" if os.path.exists(dirName): self.log.error('create directory %s failed, have a sane name file or directory' % dirName) else: try: os.makedirs(dirName) except Exception as e: self.log.error('create directory %s failed : %s' % (dirName, e)) else: self.log.info('create directory %s success' % dirName) def getPageNext(self, browser): # 获取总页数 sumPage = json.loads(browser.find_element_by_xpath("//div[@class='comments']/ div[@class='cp-pagenavi']/span[last()]").text) cartoonTitle = browser.title # 获取目录名 self.createDir(cartoonTitle) # 创建存储图片目录 os.chdir(cartoonTitle) # 进入创建的目录 i = 1 while i <= sumPage[0]: self.saveImg(self.browser) i += 1 self.log.info('开始爬取第%d页' % i) # 利用selenium点击下一页,获取下一页的内容 NextTag = browser.find_element_by_partial_link_text("下一页").click() browser.implicitly_wait(30) # 等待加载js代码 time.sleep(3) self.log.info('save img success') browser.quit() if __name__ == '__main__': st = GetJianDan()
mylog.py日志文件代码如下:
#!/usr/bin/env python # coding: utf-8 import logging import getpass import sys # 定义MyLog类 class MyLog(object): def __init__(self): self.user = getpass.getuser() # 获取用户 self.logger = logging.getLogger(self.user) self.logger.setLevel(logging.DEBUG) # 日志文件名 self.logfile = sys.argv[0][0:-3] + '.log' # 动态获取调用文件的名字 self.formatter = logging.Formatter('%(asctime)-12s %(levelname)-8s %(message)-12srn') # 日志显示到屏幕上并输出到日志文件内 self.logHand = logging.FileHandler(self.logfile, encoding='utf-8') self.logHand.setFormatter(self.formatter) self.logHand.setLevel(logging.DEBUG) self.logHandSt = logging.StreamHandler() self.logHandSt.setFormatter(self.formatter) self.logHandSt.setLevel(logging.DEBUG) self.logger.addHandler(self.logHand) self.logger.addHandler(self.logHandSt) # 日志的5个级别对应以下的5个函数 def debug(self, msg): self.logger.debug(msg) def info(self, msg): self.logger.info(msg) def warn(self, msg): self.logger.warn(msg) def error(self, msg): self.logger.error(msg) def critical(self, msg): self.logger.critical(msg) if __name__ == '__main__': mylog = MyLog() mylog.debug(u"I'm debug 中文测试") mylog.info(u"I'm info 中文测试") mylog.warn(u"I'm warn 中文测试") mylog.error(u"I'm error 中文测试") mylog.critical(u"I'm critical 中文测试")
运行主程序getJianDan.py
Pycharm运行结果
下载图片截图:
代码分析:
mylog.py 日志模块，记录一些爬取过程中的信息,在大量爬取的时候，没有log帮助定位，很难找到错误点
主程序:
getJianDan.py 主程序
getBrowser 打开目标网站，并返回内容
saveImg 处理每个页面img，并下载
createDir 创建图片保存目录
getPageNext 模拟用户点击下一页行为,发起新的请求
