作者：xiaoyu

微信公众号：Python数据科学

知乎：Python数据分析师

<10>

海贼王已经10年了，一路陪伴了我们的点点滴滴。它热血，激情，感人，欢乐，吸引了无数男女老少的紧紧跟随。

说起来还真有点小心酸，原谅博主也是个海贼迷，心中怀揣着很大的梦想，誓死也要成为海贼王的男人。

但如今梦想已经破灭了，因为博主有了女朋友...

什么？说我是假粉丝，我上去就给你一巴掌！看到最后你就知道什么叫真粉儿！！

好了，收！

爬取目标

说说我们的正题，前面两篇爬虫学习介绍了正则和BeautifulSoup的内容，这里其实是想借着这个机会给大家分享一下正则和BeautifulSoup解析的实战例子。

目标实现比较简单，就是下载xxx网站上海贼王动漫的套图。爬取效果如下：

(截取了部分下载过程)

(部分下载图片)

采取了多线程爬取，总共1000多张，都存在本地了。

功能分析

本篇目的是使用正则+BeautifulSoup，因此后面不更多赘述了。

提取系列链接

通过开发者工具看到，所有的系列都是同一级别的节点，那么我们首先应该做的是遍历所有页码，然后提取每页各个系列的链接。

接下来看看链接在哪。

小提示：红框内第一个是鼠标自动跟随，第二个是手机/PC切换，使用起来非常方便。

具体点开其中一个系列标签一看，我们要的链接正是标签下的href属性，但是你会发现有两个一模一样的href属性，链接也一样，而我们只需要一个，这就需要小处理一下了，提供两个思路：

使用BeautifulSoup方法单独提炼出一个链接

两个链接都提炼出来，放进set集合中去重

这里博主用的第一种方法。

提取系图片链接

同样的过程，图片的链接在

标签下的子节点的src属性里，依然使用BeautifulSoup就可轻松解决。

但是这里的网页排版有个问题，就是有的系列中多组图在一页中，而有的系列每页只有一张图，需要翻页查看。

解决方法是不管有没有翻页，都直接遍历该系列下的所有页，通过返回的状态码来判断下一步动作。

好了，解析的任务的分析差不多完成了，下面看看具体代码如何实现的。

代码实现

下载系列链接：

def html_parse(self, num):

try:

url_make = self.url.format(num)

html = requests.get(url_make, timeout=10)

soup = BeautifulSoup(html.content, 'lxml')

ul_tag = soup.find_all('ul', class_='spic pic1')

soup1 = BeautifulSoup(str(ul_tag[0]), 'lxml')

for counter, li_tag in enumerate(soup1.find_all('li')):

soup2 = BeautifulSoup(str(li_tag), 'lxml')

a_tag = soup2.find_all('a')

href_list = re.findall(re.compile('href="(.+?)"'), str(a_tag))

if len(href_list) != 0:

print('第 ' + str(num) + ' 页: ----第 ' + str(counter + 1)

+ '个链接：' + href_list[0] + ' ----')

self.q.put(href_list[0])

sleep(random.randint(2, 3))

except requests.ConnectionError:

pass

下载图片链接：

def picture_parse(self):

try:

sub_url = self.q.get()

sub_url_base = sub_url[:-6]

for page in range(1, 10):

sub_url_new = sub_url_base + '_' + str(page) + '.shtml'

html2 = requests.get(sub_url_new)

if html2.status_code == 200:

soup = BeautifulSoup(html2.content, 'lxml')

div_tag = soup.find_all('div', id='pictureContent')

soup1 = BeautifulSoup(str(div_tag[0]), 'lxml')

for img_tag in soup1.find_all('img', src=re.compile('.+?')):

soup3 = BeautifulSoup(str(img_tag), 'lxml')

if soup3.img['src'] is not None:

self.picture_link.append(soup3.img['src'])

print(str('----' + soup3.img['alt']) + '链接 : '

+ str(soup3.img['src']) + ' ----')

sleep(random.randint(2, 3))

else:

pass

except requests.ConnectionError:

pass

下载并储存图片到本地：

def picture_store(self):

try:

for num, link in enumerate(set(self.picture_link)):

html3 = requests.get(link)

picture_path = 'D:\Pictures_Downloaded\\' + 'pic' + str(num+1) + '.jpg'

with open(picture_path, 'wb') as f:

f.write(html3.content)

except requests.ConnectionError:

pass

多线程队列任务：

def main(self):

page_num = 2

threads_0 = []

for i in range(1, page_num):

t = Thread(target=self.html_parse, args=(i,), name='Thread-0')

threads_0.append(t)

for i in range(len(threads_0)):

threads_0[i].start()

for i in range(len(threads_0)):

threads_0[i].join()

threads_1 = []

for i in range(self.q.qsize()):

t1 = Thread(target=self.picture_parse, args=(), name='Thread-1')

threads_1.append(t1)

for i in range(len(threads_1)):

threads_1[i].start()

for i in range(len(threads_1)):

threads_1[i].join()

self.picture_store()

注：爬取间隔可以适当再长点，减轻目标服务器的负担，也理解一下辛苦的运维工作人员。

代码比较简单，目的是在实战中掌握正则和BeautifulSoup解析方法，欢迎大家指点和讨论。

作品展示

这部分是为了兑现铁粉儿的承诺，不感兴趣可忽略。

博主库爱画画，素描，水彩，国画都学过点，当然这个是在wacom绘画板上，利用corel painter + photoshop完成的。由于热爱海贼王动漫，闲暇时间画了个各种海贼绘画。

以下是几张索隆桑的绘图(无水印)，感兴趣的朋友可以收藏：)

关注微信公众号Python数据科学，获取 120G 人工智能 学习资料。