起风网看了本文，相信大家对爬虫一定会产生强烈的兴趣，激励自己去学习爬虫，在这里提前祝：大家学有所成！
目标网站：妹子图网
环境：Python3.x
相关第三方模块：requests、beautifulsoup4
Re：各位在测试时只需要将代码里的变量 path 指定为你当前系统要保存的路径，使用 python xxx.py 或IDE运行即可。
完整源码如下：
# -*- coding: utf-8 -*-import requestsfrom bs4 import BeautifulSoupimport os all_url = 'https://www.mzitu.com' # http请求头Hostreferer = { 'User-Agent': 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)', 'Referer': 'http://www.mzitu.com'}# 此请求头Referer破解盗图链接Picreferer = { 'User-Agent': 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)', 'Referer': 'http://i.meizitu.net'} # 对mzitu主页all_url发起请求，将返回的HTML数据保存，便于解析start_html = requests.get(all_url, headers=Hostreferer) # Linux保存地址# path = '/home/Nick/Desktop/mzitu/' # Windows保存地址path = 'E:/mzitu/' # 获取最大页数soup = BeautifulSoup(start_html.text, "html.parser")page = soup.find_all('a', class_='page-numbers')max_page = page[-2].text # same_url = 'http://www.mzitu.com/page/' # 主页默认最新图片# 获取每一类MM的网址same_url = 'https://www.mzitu.com/mm/page/' # 也可以指定《qingchun MM系列》 for n in range(1, int(max_page) + 1): # 拼接当前类MM的所有url ul = same_url + str(n) # 分别对当前类每一页第一层url发起请求 start_html = requests.get(ul, headers=Hostreferer) # 提取所有MM的标题 soup = BeautifulSoup(start_html.text, "html.parser") all_a = soup.find('div', class_='postlist').find_all('a', target='_blank') # 遍历所有MM的标题 for a in all_a: # 提取标题文本，作为文件夹名称 title = a.get_text() if(title != ''): print("准备扒取：" + title) # windows不能创建带？的目录，添加判断逻辑 if(os.path.exists(path + title.strip().replace('?', ''))): # print('目录已存在') flag = 1 else: os.makedirs(path + title.strip().replace('?', '')) flag = 0 # 切换到上一步创建的目录 os.chdir(path + title.strip().replace('?', '')) # 提取第一层每一个MM的url，并发起请求 href = a['href'] html = requests.get(href, headers=Hostreferer) mess = BeautifulSoup(html.text, "html.parser") # 获取第二层最大页数 pic_max = mess.find_all('span') pic_max = pic_max[9].text if(flag == 1 and len(os.listdir(path + title.strip().replace('?', ''))) >= int(pic_max)): print('已经保存完毕，跳过') continue # 遍历第二层每张图片的url for num in range(1, int(pic_max) + 1): # 拼接每张图片的url pic = href + '/' + str(num) # 发起请求 html = requests.get(pic, headers=Hostreferer) mess = BeautifulSoup(html.text, "html.parser") pic_url = mess.find('img', alt=title) print(pic_url['src']) html = requests.get(pic_url['src'], headers=Picreferer) # 提取图片名字 file_name = pic_url['src'].split(r'/')[-1] # 保存图片 f = open(file_name, 'wb') f.write(html.content) f.close() print('完成') print('第', n, '页完成')扒图步骤分析：（送给有兴趣的朋友）
1、获取网页源码
打开mzitu网址，用浏览器的F12可以看到网页的请求过程及源码
该步骤代码如下：
#coding=utf-8 import requests url = 'http://www.mzitu.com' #设置headers，网站会根据这个判断你的浏览器及操作系统，很多网站没有此信息将拒绝你访问header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 UBrowser/6.1.2107.204 Safari/537.36'} #用get方法打开url并发送headershtml = requests.get(url,headers = header) #打印结果 .text是打印出文本信息即源码返回的响应，如果没问题的话结果和下面类似，这些就是网页的源码了。
<html><body> ...... $("#index_banner_load").find("div").appendTo("#index_banner"); $("#index_banner").css("height", 90); $("#index_banner_load").remove();});</script></body></html>2、提取所需信息
将获取的源码转换为BeautifulSoup对象
使用find搜索需要的数据，保存到容器中
该步骤代码如下：
#coding=utf-8 import requestsfrom bs4 import BeautifulSoup url = 'http://www.mzitu.com'header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 UBrowser/6.1.2107.204 Safari/537.36'} html = requests.get(url,headers = header) #使用自带的html.parser解析，速度慢但通用soup = BeautifulSoup(html.text,'html.parser') #实际上是第一个class = 'postlist'的div里的所有a 标签是我们要找的信息all_a = soup.find('div',class_='postlist').find_all('a',target='_blank') for a in all_a: title = a.get_text() #提取文本如下就找到了当页所有套图的标题：
注意：BeautifulSoup()返回的类型是<class 'bs4.BeautifulSoup'>find()返回的类型是<class 'bs4.element.Tag'>find_all()返回的类型是<class 'bs4.element.ResultSet'><class 'bs4.element.ResultSet'>不能再进项find/find_all操作3、进入第二层页面，进行下载操作
点进一个套图之后，发现他是每个页面显示一个图片，这时我们需要知道他的总页数，比如：http://www.mzitu.com/26685是某个套图的第一页，后面的页数都是再后面跟/和数字http://www.mzitu.com/26685/2 (第二页)，那么很简单了，我们只需要找到他一共多少页，然后用循环组成页数就OK了。
image
该步骤代码如下：
#coding=utf-8 import requestsfrom bs4 import BeautifulSoup url = 'http://www.mzitu.com/26685'header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 UBrowser/6.1.2107.204 Safari/537.36'} html = requests.get(url,headers = header)soup = BeautifulSoup(html.text,'html.parser') #最大页数在span标签中的第10个pic_max = soup.find_all('span')[10].textprint(pic_max) #输出每个图片页面的地址for i in range(1,int(pic_max) + 1): href = url+'/'+str(i) print(href)那么我们接下来就是进行寻找图片地址，保存下来；右键MM图片，点击检查可以发现如图：
image
img src="https://i5.meizitu.net/2019/07/01b56.jpg" alt="xxxxxxxxxxxxxxxxxxxxxxxxx" width="728" height="485">如图所示，上面就是我们MM图片的具体地址了，保存它即可。
该步骤代码如下：
#coding=utf-8 import requestsfrom bs4 import BeautifulSoup url = 'http://www.mzitu.com/26685'header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 UBrowser/6.1.2107.204 Safari/537.36'} html = requests.get(url,headers = header)soup = BeautifulSoup(html.text,'html.parser') #最大页数在span标签中的第10个pic_max = soup.find_all('span')[10].text #找标题title = soup.find('h2',class_='main-title').text #输出每个图片页面的地址for i in range(1,int(pic_max) + 1): href = url+'/'+str(i) html = requests.get(href,headers = header) mess = BeautifulSoup(html.text,"html.parser") #图片地址在img标签alt属性和标题一样的地方 pic_url = mess.find('img',alt = title) html = requests.get(pic_url['src'],headers = header) #获取图片的名字方便命名 file_name = pic_url['src'].split(r'/')[-1] #图片不是文本文件，以二进制格式写入，所以是html.content f = open(file_name,'wb') f.write(html.content)点击了解更多获取PythonWeb开发，数据分析，爬虫，人工智能等学习知识，
点击了解
文章转载于:https://www.jianshu.com/p/472be45d68cd
原著是一个有趣的人,若有侵权,请通知删除
评论前必须登录！
立即登录