11.7 项目：下载所有 XKCD 漫画

博客和其他经常更新的网站通常有一个首页，其中有最新的帖子，以及一个“前
一篇”按钮，将你带到以前的帖子。然后那个帖子也有一个“前一篇”按钮，以此类推。这创建了一条线索，从最近的页面，直到该网站的第一个帖子。如果你希望拷贝该网站的内容，在离线的时候阅读，可以手工导航至每个页
面并保存。但这是很无聊的工作，所以让我们写一个程序来做这件事。
XKCD 是一个流行的极客漫画网站，它符合这个结构（参见图 11-6）。首页
http://xkcd.com/有一个“Prev”按钮，让用户导航到前面的漫画。手工下载每张漫画要花较长的时间，但你可以写一个脚本，在几分钟内完成这件事。
下面是程序要做的事：
• 加载主页；
• 保存该页的漫画图片；
• 转入前一张漫画的链接；
• 重复直到第一张漫画。

这意味着代码需要做下列事情：
• 利用 requests 模块下载页面。
• 利用Beautiful Soup 找到页面中漫画图像的 URL。
• 利用 iter_content()下载漫画图像，并保存到硬盘。
• 找到前一张漫画的链接 URL，然后重复。
打开一个新的文件编辑器窗口，将它保存为downloadXkcd.py。

第 1 步：设计程序
打开一个浏览器的开发者工具，检查该页面上的元素，你会发现下面的内容：
• 漫画图像文件的 URL，由一个<img>元素的 href 属性给出。
• <img>元素在<div id="comic">元素之内。
• Prev 按钮有一个 rel HTML 属性，值是 prev。
• 第一张漫画的 Prev 按钮链接到 http://xkcd.com/# URL，表明没有前一个页面了。让你的代码看起来像这样：
#! python3
# downloadXkcd.py - Downloads every single XKCD comic. import requests, os, bs4
url = 'http://xkcd.com' # starting url os.makedirs('xkcd',
exist_ok=True) # store comics in ./xkcd while not url.endswith('#'):
# TODO: Download the page.

# TODO: Find the URL of the comic image.

# TODO: Download the image.

# TODO: Save the image to ./xkcd. # TODO: Get the Prev button's url.
print('Done.')
你会有一个 url 变量，开始的值是'http://xkcd.com'，然后反复更新（在一个 for循环中），变成当前页面的 Prev 链接的 URL。在循环的每一步，你将下载 URL
上的漫画。如果 URL 以'#'结束，你就知道需要结束循环。
将图像文件下载到当前目录的一个名为 xkcd 的文件夹中。调用 os.makedirs()函数。确保这个文件夹存在，并且关键字参数 exist_ok=True
在该文件夹已经存在时，防止该函数抛出异常。剩下的代码只是注释，列出了剩下程序的大纲。

第 2 步：下载网页
我们来实现下载网页的代码。让你的代码看起来像这样：
#! python3
# downloadXkcd.py - Downloads every single XKCD comic. import requests, os, bs4
url = 'http://xkcd.com' # starting url os.makedirs('xkcd',
exist_ok=True) # store comics in ./xkcd while not url.endswith('#'):
# Download the page. print('Downloading page %s...' % url) res = requests.get(url)
res.raise_for_status()

soup = bs4.BeautifulSoup(res.text)

# TODO: Find the URL of the comic image. # TODO: Download the image.
# TODO: Save the image to ./xkcd. # TODO: Get the Prev button's url.
print('Done.')
首先，打印url，这样用户就知道程序将要下载哪个 URL。然后利用requests 模块的 request.get()函数下载它。像以往一样，马上调用Response
对象的raise_for_status()方法，如果下载发生问题，就抛出异常，并终止程序。否则，利用下载页面的文本创建一个 BeautifulSoup 对象。

第 3 步：寻找和下载漫画图像
让你的代码看起来像这样：

#! python3
# downloadXkcd.py - Downloads every single XKCD comic. import requests, os, bs4
--snip--

# Find the URL of the comic image. comicElem = soup.select('#comic img') if comicElem
== []:
print('Could not find comic image.') else:
comicUrl = 'http:' comicElem[0].get('src') # Download the image.
print('Downloading image %s...' % (comicUrl)) res = requests.get(comicUrl)
res.raise_for_status()

# TODO: Save the image to ./xkcd. # TODO: Get the Prev button's url.
print('Done.')
用开发者工具检查 XKCD 主页后，你知道漫画图像的<img>元素是在一个<div>元素中，它带有的 id 属性设置为 comic。所以选择器'#comic img'将从
BeautifulSoup对象中选出正确的<img>元素。
有一些XKCD 页面有特殊的内容，不是一个简单的图像文件。这没问题，跳过它们就好了。如果选择器没有找到任何元素，那么 soup.select('#comic
img')将返回一个空的列表。出现这种情况时，程序将打印一条错误消息，不下载图像，继续执行。
否则，选择器将返回一个列表，包含一个<img>元素。可以从这个<img>元素中取得 src 属性，将它传递给 requests.get()，下载这个漫画的图像文件。

第 4 步：保存图像，找到前一张漫画
让你的代码看起来像这样：
#! python3
# downloadXkcd.py - Downloads every single XKCD comic. import requests, os, bs4
--snip--

# Save the image to ./xkcd.
imageFile = open(os.path.join('xkcd', os.path.basename(comicUrl)), 'wb') for chunk in
res.iter_content(100000):
imageFile.write(chunk) imageFile.close()

# Get the Prev button's url.
prevLink = soup.select('a[rel="prev"]')[0]
url = 'http://xkcd.com' + prevLink.get('href')

print('Done.')

这时，漫画的图像文件保存在变量 res 中。你需要将图像数据写入硬盘的文件。你需要为本地图像文件准备一个文件名，传递给 open()。comicUrl 的值类似
'http://imgs.xkcd.com/comics/heartbleed_explanation.png'。你可能注意到，它看起来很像文件路径。实际上，调用
os.path.basename()时传入 comicUrl，它只返回 URL 的最后部分：'heartbleed_explanation.png'。你可以用它作为文件名，将图像保存到硬盘。用
os.path.join()连接这个名称和 xkcd 文件夹的名称，这样程序就会在 Windows下使用倒斜杠（\），在 OS X 和 Linux
下使用斜杠（/）。既然你最后得到了文件名，就可以调用 open()，用'wb'模式打开一个新文件。
回忆一下本章早些时候，保存利用 Requests 下载的文件时，你需要循环处理 iter_content()方法的返回值。for 循环中的代码将一段图像数据写入文件（每次最多 10
万字节），然后关闭该文件。图像现在保存到硬盘中。
然后，选择器'a[rel="prev"]'识别出 rel 属性设置为 prev 的<a>元素，利用这个<a>元素的 href 属性，取得前一张漫画的 URL，将它保存在 url 中。然后 while
循环针对这张漫画，再次开始整个下载过程。
这个程序的输出看起来像这样：
Downloading page http://xkcd.com...
Downloading image http://imgs.xkcd.com/comics/phone_alarm.png... Downloading page
http://xkcd.com/1358/...
Downloading image http://imgs.xkcd.com/comics/nro.png... Downloading page
http://xkcd.com/1357/...
Downloading image http://imgs.xkcd.com/comics/free_speech.png... Downloading page
http://xkcd.com/1356/...
Downloading image http://imgs.xkcd.com/comics/orbital_mechanics.png... Downloading page
http://xkcd.com/1355/...
Downloading image http://imgs.xkcd.com/comics/airplane_message.png... Downloading page
http://xkcd.com/1354/...
Downloading image http://imgs.xkcd.com/comics/heartbleed_explanation.png...
--snip--
这个项目是一个很好的例子，说明程序可以自动顺着链接，从网络上抓取大量的数据。你可以从 Beautiful Soup 的文档了解它的更多功能：http://www. crummy.com/
software/BeautifulSoup/bs4/doc/.

第 5 步：类似程序的想法
下载页面并追踪链接，是许多网络爬虫程序的基础。类似的程序也可以做下面的事情：
• 顺着网站的所有链接，备份整个网站。
• 拷贝一个论坛的所有信息。
• 复制一个在线商店中所有产品的目录。
requests 和BeautifulSoup 模块很了不起，只要你能弄清楚需要传递给 requests.get()的
URL。但是，有时候这并不容易找到。或者，你希望编程浏览的网站可能要求你先登录。selenium 模块将让你的程序具有执行这种复杂任务的能力。

11.7 项目：下载所有 XKCD 漫画相关推荐

python练习项目八——下载所有XKCD 漫画
项目:下载所有XKCD 漫画背景博客和其他经常更新的网站通常有一个首页,其中有最新的帖子,以及一个"前一篇"按钮,将你带到以前的帖子.然后那个帖子也有一个"前一篇&q ...
【下载所有XKCD漫画】详细解析
目录 1,实现目的 2,准备工作 2.1,确保所需模块已安装 2.2,脚本思路 3,全部代码 4,执行结果 1,实现目的 XKCD 是一个流行的极客漫画网站.首页 http://xkcd.com/有一 ...
【Python】下载所有 XKCD 漫画
博客和其他经常更新的网站通常有一个首页,其中有最新的帖子,以及一个"前一篇"按钮,将你带到以前的帖子.然后那个帖子也有一个"前一篇"按钮,以此类推.这创建了 ...
实例：下载所有XKCD漫画
import requests,os,bs4 url='http://xkcd.com' os.makedirs('xkcd') while not url.endswith('#'):print(' ...
python-web-下载所有xkcd漫画
下载所有xkcd漫画 # downloads every single xkcd comicimport requests,os,bs4 url='http://xkcd.com' # start u ...
Python批量下载XKCD漫画只需20行命令
XKCD是一个流行的极客漫画网站,其官网首页有一个 Prev 按钮,让用户导航到前面的漫画.如果你希望复制该网站的内容以在离线的时候阅读,那么可以手动导航至每个页面并保存.但手动下载每张漫画要花较长的 ...
15.7 项目：多线程 XKCD 下载程序
在第 11 章,你编写了一个程序,从XKCD 网站下载所有的 XKCD 漫画.这是一个单线程程序:它一次下载一幅漫画.程序运行的大部分时间,都用于建立网络连接来开始下载,以及将下载的图像写入硬盘.如 ...
从XKCD网站下载自动所有漫画图片---python实现
经常跟新的网站通常有一个首页,其中有最新的帖子,以及一个"前一篇"(或上一页)按钮,用来跳转到以前的帖子.然后那个帖子也有一个"前一篇"的按钮,以此内推.这创建 ...
Python项目实战：下载腾讯漫画的脚本及源码【女朋友在也不担心我花钱购买漫画了】
目录工具: 命令行帮助 GUI预览效果全部源码: 下载源码: 代码仅供学习交流使用下载腾讯漫画的脚本.空参运行进入交互式模式,支持的参数可以加-h或--help参数查看. 工具: python3 ...
JEECG十二个开源项目下载大全
JEECG 社区开源项目下载(总览) 反馈问题板块:http://www.jeecg.org/forum.php?mod=forumdisplay&fid=153 资源1: JEECG 微云快 ...

11.7 项目：下载所有 XKCD 漫画

11.7 项目：下载所有 XKCD 漫画相关推荐

最新文章

热门文章