requests + BeautifulSoup + urllib 爬取并下载网站图片到本地（二）

这篇是上一篇的进阶版，虽然也是下载图片到本地，但比上一篇复杂了许多，上一篇只是下载当前页的图片到本地，这一篇是下载整站的详情页图片到本地，涉及了连续多页爬取，根据 item 创建文件夹保存每个详情页的图片，爬取的数据量大大提升了好几十几百倍，会用到多进程。

准备工作

• 开发环境：Windows，Pycharm，Request，BeautifulSoup，urllib
• 需要一定的 Python 爬虫、HTML 基础

开始动身

本次要爬取的网站依然是帅啊 网 我们需要把整站的详情页图片下载到本地

• 制作爬虫
  1. 由于获取下来的 html 编码格式不对，所以要指定编码格式为 utf-8
  2. 获取页面中每个 item 的详情页链接
  3. 获取详情页的所有图片链接（单个或多个）
  4. 以 item 的标题为文件夹，将详情页的图片下载到该文件夹中
  5. 抓取下一页（重复 2、3、4 步骤）

from bs4 import BeautifulSoup
import requests
import os
import urllib.request
import time

headers = {
    "Cookie": "gsScrollPos-1702684443=0; UM_distinctid=16685e0279d3e0-06f34603dfa898-36664c08-1fa400-16685e0279e133; bdshare_firstime=1539844405694; _d_id=6556c25e9ddd0e7e71096a1e343f6b; gsScrollPos-1702684407=; CNZZDATA1254092508=1744643453-1539842703-%7C1540364765",
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36",
}
path = "D://images/"

def get_links(url):
    wb_data = requests.get(url, headers=headers)  # headers 伪装
    wb_data.encoding = "utf-8"
    soup = BeautifulSoup(wb_data.text, 'lxml')

    if wb_data.status_code == 404:
        return

    if not os.path.exists(path):  # 判断该文件夹是否存在，不存在则创建
        os.mkdir(path)
    links = soup.select(".item-img")

    for link in links:
        download_img(link.get('href'))
        time.sleep(1)

    # 下一页
    next_page = soup.select(".next")[0].get("href")
    print("------ next page -------")
    get_links(next_page)

    print("------ download done -------")

def download_img(url):
        wb_data = requests.get(url, headers=headers)
        wb_data.encoding = "utf-8"
        soup = BeautifulSoup(wb_data.text, 'lxml')
        images = soup.select(".wr-single-content-list img")
        catalog = soup.select("h1")[0].get_text()  # 获取详情页标题作为文件夹名称
        catalog = path + catalog + "/"
        if not os.path.exists(catalog):
            os.mkdir(catalog)
        for index, image in enumerate(images):
            print(index)
            img = image.get("src")
            urllib.request.urlretrieve(img, catalog + str(index) + ".jpg")
        print("-------- downloading ---------")

if __name__ == "__main__":

    get_links("http://www.shuaia.net/index.html")
复制代码

• 开始爬取