Python爬虫入门教程【6】：蜂鸟网图片爬取之一

1. 蜂鸟网图片–简介

国庆假日结束了，新的工作又开始了，今天我们继续爬取一个网站，这个网站为 http://image.fengniao.com/ ，蜂鸟一个摄影大牛聚集的地方，本教程请用来学习，不要用于商业目的，不出意外，蜂鸟是有版权保护的网站。

2. 蜂鸟网图片–网站分析

第一步，分析要爬取的网站有没有方法爬取，打开页面，找分页

http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page=1&not_in_id=5352384,5352410
http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page=2&not_in_id=5352384,5352410
http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page=3&not_in_id=5352384,5352410
http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page=4&not_in_id=5352384,5352410

上面的页面发现一个关键的参数page=1这个就是页码了，但是另一个比较头疼的问题是，他没有最后的页码，这样我们没有办法确定循环次数，所以后面的代码编写中，只能使用while了

这个地址返回的是JSON格式的数据，这个对爬虫来说，非常友好！省的我们用正则表达式分析了。

分析这个页面的头文件，查阅是否有反爬措施

发现除了HOST和User-Agent以外，没有特殊的点，大网站就是任性，没啥反爬，可能压根不在乎这个事情。

第二步，分析图片详情页面，在我们上面获取到的JSON中，找到关键地址

关键地址打开之后，这个地方有一个比较骚的操作了，上面图片中标注的URL选的不好，恰好是一个文章了，我们要的是组图，重新提供一个新链接 http://image.fengniao.com/slide/535/5352130_1.html#p=1

打开页面，你可能直接去找规律了，找到下面的一堆链接，但是这个操作就有点复杂了，我们查阅上述页面的源码

http://image.fengniao.com/slide/535/5352130_1.html#p=1
http://image.fengniao.com/slide/535/5352130_1.html#p=2
http://image.fengniao.com/slide/535/5352130_1.html#p=3
....
Python资源分享qun 784758214 ,内有安装包，PDF，学习视频，这里是Python学习者的聚集地，零基础，进阶，都欢迎

网页源码中发现了，这么一块区域

大胆的猜测一下，这个应该是图片的JSON，只是他打印在了HTML中，我们只需要用正则表达式进行一下匹配就好了，匹配到之后，然后进行下载。

第三步，开始撸代码。

3. 蜂鸟网图片–写代码

from http_help import R  # 这个文件自己去上篇博客找，或者去github找
import threading
import time
import json
import reimg_list = []
imgs_lock = threading.Lock()  #图片操作锁# 生产者类
class Product(threading.Thread):def __init__(self):threading.Thread.__init__(self)self.__headers = {"Referer":"http://image.fengniao.com/","Host": "image.fengniao.com","X-Requested-With":"XMLHttpRequest"}#链接模板self.__start = "http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page={}&not_in_id={}"self.__res = R(headers=self.__headers)def run(self):# 因为不知道循环次数，所有采用while循环index = 2 #起始页码设置为1not_in = "5352384,5352410"while True:url  = self.__start.format(index,not_in)print("开始操作:{}".format(url))index += 1content = self.__res.get_content(url,charset="gbk")if content is None:print("数据可能已经没有了====")continuetime.sleep(3)  # 睡眠3秒json_content = json.loads(content)if json_content["status"] == 1:for item in json_content["data"]:title = item["title"]child_url =  item["url"]   # 获取到链接之后img_content = self.__res.get_content(child_url,charset="gbk")pattern = re.compile('"pic_url_1920_b":"(.*?)"')imgs_json = pattern.findall(img_content)if len(imgs_json) > 0:if imgs_lock.acquire():img_list.append({"title":title,"urls":imgs_json})   # 这个地方，我用的是字典+列表的方式，主要是想后面生成文件夹用，你可以进行改造imgs_lock.release()

上面的链接已经生成，下面就是下载图片了，也非常简单

# 消费者
class Consumer(threading.Thread):def __init__(self):threading.Thread.__init__(self)self.__res = R()def run(self):while True:if len(img_list) <= 0:continue  # 进入下一次循环if imgs_lock.acquire():data = img_list[0]del img_list[0]  # 删除第一项imgs_lock.release()urls =[url.replace("\\","") for url in data["urls"]]# 创建文件目录for item_url in urls:try:file =  self.__res.get_file(item_url)# 记得在项目根目录先把fengniaos文件夹创建完毕with open("./fengniaos/{}".format(str(time.time())+".jpg"), "wb+") as f:f.write(file)except Exception as e:print(e)
Python资源分享qun 784758214 ,内有安装包，PDF，学习视频，这里是Python学习者的聚集地，零基础，进阶，都欢迎

代码走起，结果