教你如何利用python3爬虫爬取批量下载漫画岛漫画

最近学了一点点python爬虫的知识,面向百度编程爬了一本小说之后感觉有点不满足,于是突发奇想尝试爬一本漫画下来看看。

一、效果展示

首先是我们想要爬取的漫画网页:http://www.manhuadao.cn/

网页截图:

教你如何利用python3爬虫爬取批量下载漫画岛漫画
教你如何利用python3爬虫爬取批量下载漫画岛漫画

每一回的文件夹里面是这样的: (因为网站图片的问题…所以就成了这个鬼样子)

二、分析原理

1、准备:需要vscode或者其他能够编译运行python的软件,推荐python版本3.X ,否则有可能出现编译问题。

下载所需模块:win+R进入命令行,输入pipinstall <模块名>即可下载。例如:

1

     pip install beautifulsoup4

2、原理: 模拟浏览器点击->打开漫画网页链接->获取网页源码->定位每一章漫画的链接->模拟点击->获取图片页面源码->定位图片链接->下载图片

三、实际操作(代码附在最后)

1、引入模块 (这里不再详述)

 

2、模拟浏览器访问网页

(1)、这里我们打开漫画的目录页,如下: url = ”http://www.manhuadao.cn/Home/ComicDetail?id=58ddb07827a7c1392c234628“ ,此链接就是目录页链接。

(2)、按F12打开此网页的源码(谷歌浏览器),选中上方NetWork,Ctrl+R刷新。

(3)、找到加载网页的源码文件,点击Headers,如下图: StatusCode表示网页返回的代码,值为200时表示访问成功。

Python客栈送红包、纸质书

(4)、headers中的参数为下面红框User-Agent。

response = requests.get(url=url, headers=headers) # 模拟访问网页
print(response) # 此处应输出  
print(response.text)  # 输出网页源码

两个输出分别输出:

  输出返回200表示访问成功。

 (节选)

(5)、将html代码存入 data 中,xpath定位每一章链接。点击上方Element,点击:

将鼠标移至目录处:

右边代码区域出现每一章链接:

data = etree.HTML(response.text)
# tp = data.xpath('//ul[@class="read-chapter"]/li/a[@class="active"]/@href')
tp = data.xpath('//*[@class="yesReader"]/@href')
zhang_list = tp   # tp为链接列表

输出zhang_list,结果如下:

(6)、获取图片链接(获取方式同上一步)

点进第一章,同上一步,寻找到图片链接:

i=1
for next_zhang in zhang_list:    # 在章节列表中循环
    i=i+1
    j=0
    hui_url = r_url+next_zhang
    name1 = "第"+str(i)+"回"
    file = 'C:/Users/wangyueke/Desktop/'+keyword+'/{}/'.format(name1)   # 创建文件夹
    if not os.path.exists(file):
        os.makedirs(file)
        print('创建文件夹:', file)
    response = requests.get(url=hui_url, headers=headers)    # 模拟访问每一章链接
    data = etree.HTML(response.text)
    # tp = data.xpath('//div[@class="no-pic"]//img/@src')
    tp = data.xpath('//div[@class="main-content"]//ul//li//div[@class="no-pic"]//img/@src')   # 定位
    ye_list = tp

(7)、下载图片

for k in ye_list:    # 在每一章的图片链接列表中循环
    download_url = tp[j]
    print(download_url)
    j=j+1
    file_name="第"+str(j)+"页"
    response = requests.get(url=download_url)    # 模拟访问图片链接with open(file+file_name+".jpg","wb") as f:
        f.write(response.content)

五、代码

'''
作者:kong_gu
'''
import requests
import json
import time
import os
from lxml import etree
from bs4 import BeautifulSoup
 
 
def main():
    keyword="非人哉"
    file = 'E:/{}'.format(keyword)
    if not os.path.exists(file):
        os.mkdir(file)
        print('创建文件夹:',file)
    r_url="http://www.manhuadao.cn/"
    url = "http://www.manhuadao.cn/Home/ComicDetail?id=58ddb07827a7c1392c234628"
    headers = {  # 模拟浏览器访问网页'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) \\Chrome/75.0.3770.142 Safari/537.36'}
    response = requests.get(url=url, headers=headers)
    # print(response.text)   # 输出网页源码
    data = etree.HTML(response.text)
    # tp = data.xpath('//ul[@class="read-chapter"]/li/a[@class="active"]/@href')
    tp = data.xpath('//*[@class="yesReader"]/@href')
    zhang_list = tp
    i=1for next_zhang in zhang_list:
        i=i+1
        j=0
        hui_url = r_url+next_zhang
        name1 = "第"+str(i)+"回"
        file = 'C:/Users/wangyueke/Desktop/'+keyword+'/{}/'.format(name1)    # 这里需要自己设置路径if not os.path.exists(file):
            os.makedirs(file)
            print('创建文件夹:', file)
        response = requests.get(url=hui_url, headers=headers)
        data = etree.HTML(response.text)
        # tp = data.xpath('//div[@class="no-pic"]//img/@src')
        tp = data.xpath('//div[@class="main-content"]//ul//li//div[@class="no-pic"]//img/@src')
        ye_list = tp
        for k in ye_list:
            download_url = tp[j]
            print(download_url)
            j=j+1
            file_name="第"+str(j)+"页"
            response = requests.get(url=download_url)
            with open(file+file_name+".jpg","wb") as f:
                f.write(response.content)
 
 
if __name__ == '__main__':
    main()
0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论