最近在学习Python的爬虫部分。看到有网友在分享使用爬虫爬取各种网站的图片的代码，也想自己写个玩玩。今天花时间分析了一下妹子图网站的结构和HTML代码，使用urllib2和BeautifulSoup写出了一个自动下载妹子图网站图片的脚本。
后来发现抓取不了了，修改了一下，加了User-Agent，又恢复正常了。
妹子图网址：http://www.mzitu.com
运行效果如下：
源代码如下，请各位大神指教：
# -*- coding:utf8 -*-
# Python: 2.7.8
# Platform: Windows
# Author: wucl
# Version: 1.0
# Program: 自动下载妹子图的图片并保存到本地
# History: 2015.5.31
# 2015.6.2 发现被禁止抓取了，增加了随机的浏览器头部信息，模拟浏览器抓取。
import urllib2, os, os.path, urllib, random
from bs4 import BeautifulSoup
def get_soup(url):
"""
获取网站的soup对象
"""
my_headers = [
'Mozilla/5.0 (Windows NT 5.2) AppleWebKit/534.30 (KHTML, like Gecko) Chrome/12.0.742.122 Safari/534.30',
'Mozilla/5.0 (Windows NT 5.1; rv:5.0) Gecko/20100101 Firefox/5.0',
'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.2; Trident/4.0; .NET CLR 1.1.4322; .NET CLR 2.0.50727; .NET4.0E; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729; .NET4.0C)',
'Opera/9.80 (Windows NT 5.1; U; zh-cn) Presto/2.9.168 Version/11.50',
'Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/533.21.1 (KHTML, like Gecko) Version/5.0.5 Safari/533.21.1',
'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; .NET CLR 2.0.50727; .NET CLR 3.0.04506.648; .NET CLR 3.5.21022; .NET4.0E; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729; .NET4.0C)']
header={"User-Agent":random.choice(my_headers)}
req=urllib2.Request(url, headers=header)
html=urllib2.urlopen(req).read()
soup=BeautifulSoup(html)
return soup
def get_pages(url):
"""
获取妹子图网站的页数
"""
soup=get_soup(url)
nums=soup.find_all('a',class_='page-numbers')
pages=int(nums[-2].text)
return pages
def get_menu(url):
"""
获取页面的所有妹子图主题的链接名称和地址，记入列表
"""
soup=get_soup(url)
menu=[]
menu_list=soup.find_all('a',target='_blank')
for i in menu_list:
result=i.find_all('img',class_='lazy')
if result:
name=result[0]['alt']
address=i['href']
menu.append([name,address])
return menu
def get_links(url):
"""
获取单个妹子图主题一共具有多少张图片
"""
soup=get_soup(url)
all_=soup.find_all('a')
nums=[]
for i in all_:
span=i.find_all('span')
if span:
nums.append(span[0].text)
return nums[-2]
def get_p_w_picpath(url,filename):
"""
从单独的页面中提取出图片保存为filename
"""
soup=get_soup(url)
p_w_picpath=soup.find_all('p')[0].find_all('img')[0]['src']
urllib.urlretrieve(p_w_picpath,filename)
def main(page):
"""
下载第page页的妹子图
"""
print u'正在下载第 %d 页' % page
page_url=url+'/page/'+str(page)
menu=get_menu(page_url)
print u'@@@@@@@@@@@@@@@@第 %d 页共有 %d 个主题@@@@@@@@@@@@@@@@' %(page,len(menu))
for i in menu:
dir_name=os.path.join('MeiZiTu',i[0])
if not os.path.exists(dir_name):
os.mkdir(dir_name)
pic_nums=int(get_links(i[1]))
print u'\n\n\n*******主题 %s 一共有 %d 张图片******\n' %(i[0],pic_nums)
for pic in range(1,pic_nums+1):
basename=str(pic)+'.jpg'
filename=os.path.join(dir_name,basename)
pic_url=i[1]+'/'+str(pic)
if not os.path.exists(filename):
print u'......%s' % basename,
get_p_w_picpath(pic_url,filename)
else:
print filename+u'已存在，略过'
if __name__=='__main__':
url='http://www.mzitu.com/'
pages=get_pages(url)
print u'***************妹子图一共有 %d 页******************' %pages
if not os.path.exists('MeiZiTu'):
os.mkdir('MeiZiTu')
page_start=input(u'Input the first page number:\n')
page_end=input(u'Input the last page number:\n')
if page_end>page_start:
for page in range(page_start,page_end):
main(page)
elif page_end==page_start:
main(page_end)
else:
print u"输入错误，起始页必须小于等于结束页\n"
