Python批量抓取站酷ZCOOL作品图片并归档

9次阅读
没有评论

共计 4584 个字符,预计需要花费 12 分钟才能阅读完成。

前言

前几天,由于个人有需求,所以就要对站酷网一些类别下的作品的图片进行批量抓取,首先是采用的是 NodeJs 来写的,但是在运行的途中遇到很多的问题,所以后来就换成了 Python,同时使用了多线程,使得图片下载时达到了宽带的峰值,同样也保证了其质量(首先声明:此代码仅供于学习交流使用,不能用于其他的任何用途)。

正文

Python 批量抓取站酷 ZCOOL 作品图片并归档

我本次采用的是  request  和 BeautifulSoup 组合来进行抓取的,首先我们需要分析站酷的 DOM 结构:

由上我们可以看出,其主要内容包含在 class 为  work-list-box  的这个 div 内,并且每个作品又是单独包含在 class 为  card-box  这个 div 内的,所以我们需要获取到页面所有的作品元素集合,我封装成了一个函数:

def startRequest(url):    print("【提示】正在抓取 - %s" % url)    res = requests.get(url)    if res.status_code == 200:        res_html = res.content.decode()        doc = BeautifulSoup(res_html)        work_box = doc.find('div', class_={'work-list-box'})        card_box_list = work_box.find_all('div', class_={'card-box'}) # 此处为所有的作品元素集合    else:        print("【文档获取失败】【状态为 %s】- %s," % (url, res.status_code))

接下来分析每个模块元素的结构,通过查看 DOM 元素得知每个 card-box 下的 class 为 title-content 的这个 a 标签包含了其作品的链接地址以及作品标题,所以我们就可以由此来获取:

title_content = item.find("a", class_={'title-content'})avatar = item.find('span', class_={'user-avatar'})

但是在作品集合元素内,嵌套着推广或广告,但是推广和广告是没有头像 avatar 元素的,所以我们只需要这样检测头像是否为空就可以过滤掉广告元素,其后获取到作者,URL 链接以及标题:

def getContent(item):    title_content = item.find("a", class_={'title-content'})    avatar = item.find('span', class_={'user-avatar'})    if title_content is not None and avatar is not None:        title = title_content.text        author = avatar.find("a")["title"]        href = title_content['href']    else:        return
Python 批量抓取站酷 ZCOOL 作品图片并归档

接下来,我们需要访问对应的 URL,并获取到其中的 URL 地址:

通过查看 DOM 元素结构可以看出,其文章主要内容区域在 class 为 work-show-box 的 div 下,然后每个图片 / 视频 / 文字区域都是放在 class 为 reveal-work-wrap 的 div 内,所以获取到所有的内容区域集合,然后查看是否有 img 标签,如果有的话就说明存在图片元素,则是我们需要的内容,并且获取到其 src 存放至 url 的集合中去:

def getDocImgLinks(html):    doc = BeautifulSoup(html)    work_box = doc.find("div", class_={'work-show-box'})    revs = work_box.find_all("div", class_={'reveal-work-wrap'})    img_list = []    for item in revs:        img = item.find("img")        if img is not None:            img_url = img["src"]            img_list.append(img_url)        else:            print("【提示】:没有图片")            continue    return img_list

要注意的一点就是,其中有些图片如上图中,会存在 @这个表示,就好比code>http://img.zcool.cn/community/0170165a372344a80121db8001781d.jpg@1280w_1l_2o_100sh.jpg,这个是将原图片进行了裁剪的缩略图,我们只需要将 @以及后面的内容去掉就可以得到原图,最后为:http://img.zcool.cn/community/0170165a372344a80121db8001781d.jpg

最后,我们需要将获取的 URL 图片进行存储,存储的文件夹就以【作者名】-【作品标题】为标准,然后图片就以 UUID 来随机命名,同时我们需要对一些特殊字符进行过滤转换,以防创建文件夹或文件失败:

def nameEncode(file_name):    file_stop_str = ['\\', '/', '*', '?', ':', '"','<','>','|']    for item2 in file_stop_str:        file_name = file_name.replace(item2,'-')    return file_name

所以,最后的完整源码如下:

import sysfrom bs4 import BeautifulSoupimport requestsimport osimport uuidimport threading def startRequest(url):    print("【提示】正在抓取 - %s" % url)    res = requests.get(url)    if res.status_code == 200:        res_html = res.content.decode()        doc = BeautifulSoup(res_html)        work_box = doc.find('div', class_={'work-list-box'})        card_box_list = work_box.find_all('div', class_={'card-box'})        for item in card_box_list:            getContent(item)    else:        print("【文档获取失败】【状态为 %s】- %s," % (url, res.status_code)) def getContent(item):    title_content = item.find("a", class_={'title-content'})    avatar = item.find('span', class_={'user-avatar'})    if title_content is not None and avatar is not None:        title = title_content.text        author = avatar.find("a")["title"]        href = title_content['href']        # print("%s -【%s】- %s" % (title, author, href))        res = requests.get(href)        if res.status_code == 200:            # 获取所有的图片链接            img_list = getDocImgLinks(res.content.decode())            path_str = "【%s】-【%s】" % (author, title)            path_str_mk = pathBase('./data/'+nameEncode(path_str))            if path_str_mk is None:                return            else:                for img_item in img_list:                    downloadImg(img_item, path_str_mk)         else:            print("【文档获取失败】【状态为 %s】- %s," % (href, res.status_code))    else:        return def getDocImgLinks(html):    doc = BeautifulSoup(html)    work_box = doc.find("div", class_={'work-show-box'})    revs = work_box.find_all("div", class_={'reveal-work-wrap'})    img_list = []    for item in revs:        img = item.find("img")        if img is not None:            img_url = img["src"]            img_list.append(img_url)        else:            print("【提示】:没有图片")            continue    return img_list def pathBase(file_path):    file_name_s = file_path.split("/")    file_name = file_name_s[len(file_name_s) - 1]    file_name_s[len(file_name_s) - 1] = file_name    path = "/".join(file_name_s)    if not os.path.exists(path):        os.mkdir(path)    return path def nameEncode(file_name):    file_stop_str = ['\\', '/', '*', '?', ':', '"','<','>','|']    for item2 in file_stop_str:        file_name = file_name.replace(item2,'-')    return file_name def downloadImg(url, path):    z_url = url.split("@")[0]    hz = url.split(".")    z_hz = hz[len(hz) - 1]    res = requests.get(z_url)    if res.status_code == 200:        img_down_path = path +"/"+ str(uuid.uuid1()) +"."+ z_hz        f = open(img_down_path,'wb')        f.write(res.content)        f.close()        print("【下载成功】-  %s"% img_down_path)    else:        print("【IMG 下载失败】【状态为 %s】- %s,"% (z_url, res.status_code)) if __name__ =='__main__':    threads = []     for i in range(1, 22):        url ='http://www.zcool.com.cn/search/content?type=3&field=8&other=0&sort=5&word=APP%E8%AE%BE%E8%AE%A1'\'&recommend=0&requestId=requestId_1513228221822&p='+(str(i))+'#tab_anchor'        threads.append(threading.Thread(target=startRequest, args={url}))     for item in threads:        item.start()

后记

Python 批量抓取站酷 ZCOOL 作品图片并归档  如果上述代码中有任何不清楚的地方,您可以在下方进行留言,我会及时回答您的疑惑。

正文完
 0
litao2024
版权声明:本站原创文章,由 litao2024 于2024-06-06发表,共计4584字。
转载说明:除特殊说明外本站文章皆由CC-4.0协议发布,转载请注明出处。
评论(没有评论)
验证码