我有一个朋友，喜欢在一个图站看图(xie)片(zhen)，光看就算了，他还有收集癖，想把网站的所有图片都下载下来，于是找我帮忙。
本业余玩家经过【好久的】研究，终于实现，写成本教程。本人经济学专业，编程纯属玩票，不足之处请指出，勿喷，谢谢。
本文分两部分：第一部分是基础方法，也就是单线程下爬图片的流程；第二部分是使用了多线程的功能，大大提高了爬取的效率。
前言
本次爬取基于的是BeautifulSoup+urllib/urllib2模块，Python另一个高效的爬虫模块叫Scrapy，但是我至今没研究懂，因此暂时不用。
基础流程
说明
此次爬取，在输入端仅需要一个初始网址（为避免彼网站找我麻烦，就以URL代替），以及文件保存路径（为保护我隐私，以PATH代替），大家在阅读代码时敬请注意。
从该网站下载图片以及文件处理有如下几步：【我要是会画流程图就好了】
1.打开网站首页，获得总页数，获得每个专辑的链接；
2.点进某专辑，获得专辑的标题作为保存的文件夹名，并获得该专辑的页数；
3.获取每个图片的链接
4.下载图片，以网站上图片的文件名保存至本地，同时对应第2步的文件夹。
代码和解释
# -*- coding: utf-8 -*-"""
@author: Adam
"""import urllib2, urllib, osfrom bs4 import BeautifulSoup
root = PATH
url = URL
req = urllib2.Request(url)
content = urllib2.urlopen(req).read()
soup = BeautifulSoup(content, "lxml")
page = soup.find_all('a')
pagenum1 = page[-3].get_text() #注1for i in range(0, int(pagenum1) + 1): if i == 0:
url1 = URL else:
url1 = URL + str(i+1) + ".html" #注2
req1 = urllib2.Request(url1) #
#print url
content1 = urllib2.urlopen(req1).read()
soup1 = BeautifulSoup(content1, "lxml")
table = soup1.find_all('td')
title = soup1.find_all('div', class_ = 'title') #注3
#print title
for j in range(1, 19):
folder = title[j-1].get_text()
folder = folder.replace('\n', '') #注4
curl=table[j].a['href'] #注5
purl = URL+curl #Second Page
preq = urllib2.Request(purl)
pcontent = urllib2.urlopen(preq).read()
psoup = BeautifulSoup(pcontent, "lxml")
page2 = psoup.find_all('a')
pagenum2 = page2[-4].get_text() if not os.path.exists(root + folder):
os.mkdir(root + folder) else:
os.chdir(root + folder) #print folder
for t in range(1, int(pagenum2) + 1): if t == 1:
purl1 = purl else:
purl1 = purl[:-5] + '-' + str(t) + '.html'
preq2 = urllib2.Request(purl1)
pcontent2 = urllib2.urlopen(preq2).read()
psoup2 = BeautifulSoup(pcontent2, "lxml")
picbox = psoup2.find_all('div', class_ = 'pic_box') #注6
for k in range(1,7):
filename = root + folder + "/" + str(k+6*(t-1)) + ".jpg"
if not os.path.exists(filename): try:
pic = picbox[k].find('img')
piclink = pic.get('src') #注7
urllib.urlretrieve(piclink, filename) except: continue注1：获取页码的方法，因为页码的HTML源码为<a href="/albums/XiuRen-27.html">27</a>
注2：因为我发现该网站翻页后的网址即为首页网址后加页码数字
注3：专辑标题的HTML源码为<div class="title"><span class="name">专辑标题</span></div>
注4：将专辑标题命名为文件夹名，这里要给title字符串做些处理，下问讲
注5：放每个专辑自己链接的HTML源码为<td><a href="/photos/XiuRen-5541.html" target="_blank"></a></td>
注6、7：放图片的HTML源码为<div class="pic_box"><i.m.g(为防系统认为有图片) src=" " alt=" "></div>
通过find_all('div', class_ = 'pic_box')找到放图的区块，然后用find('img')找到图片的标签，再用get('src')的方法获取图片链接
通过以上的代码，下载所有图片并保存到对应的文件夹的流程就笨拙地完成了。该方法效率极低，首先是单线程操作，其次用了N次嵌套循环，因此我想到了借助多线程提高效率的方式。
多线程方法
介绍
Python多线程的方法在网上有很多文章介绍，但是都好（是）像（我）很（水）复（平）杂（低），后来我发现了一个模块，寥寥几行就实现了功能。
from multiprocessing.dummy import Pool as ThreadPool
import urllib2
url = "http://www.cnblogs.com"
urls = [url] * 50
pool = ThreadPool(4)
results = pool.map(urllib2.urlopen, urls)
pool.close()
pool.join()
其中，urls是一个列表，该模块正是用map(func, list)的方法将list的元素从前到后送入至func运算。results传出的是一个列表类型**
在本案例中应用
# -*- coding: utf-8 -*-"""
@author: Adam
"""import osimport urllib2import urllibfrom bs4 import BeautifulSoupimport reimport inspectfrom multiprocessing.dummy import Pool as ThreadPoolfrom multiprocessing import cpu_count as cpu #进程池个数等于CPU个数def read_url(url):
req = urllib2.Request(url)
fails = 0
while fails < 5: try:
content = urllib2.urlopen(req, timeout=20).read() break
except:
fails += 1
print inspect.stack()[1][3] + ' occused error' #注1
raise #注2
soup = BeautifulSoup(content, "lxml") return soupdef get_links_first(url):
soup = read_url(url)
page = soup.find_all('a')
pagenum = page[-3].get_text()
link = [url[:-5] + '-' + str(i) + '.html' for i in range(2, int(pagenum)+1)]
link.insert(0, url) #注3
return linkdef get_links_second(url):
purlist = []
soup = read_url(url)
table = soup.find_all('td') for j in range(1,19): try:
curl = table[j].a['href']
purl = URL + curl if purl not in purlist:# print purl
purlist.append(purl) except: continue
return purlistdef get_links_third(url):# print url
download = {}
soup = read_url(url)
page = soup.find_all('a')
pagenum = page[-4].get_text()
link = [url[:-5] + '-' + str(i) + '.html' for i in range(2, int(pagenum)+1)]
link.insert(0, url)
title = soup.find_all('div', class_ = 'inline')[0].get_text() #注4
title = re.findall('\S', title)
folder = ''.join(title) #注5# print folder
download[folder] = link #注6
return downloaddef get_picture((url, folder)): #注7
soup = read_url(url)
picbox = soup.find_all('div', class_ = 'pic_box') for k in range(1, 7): try:
pic = picbox[k].find('img')
piclink = pic.get('src')
filename = folder + '/' + os.path.basename(piclink) print folder if not os.path.exists(filename):
urllib.urlretrieve(piclink, filename)# print filename
except:# raise
continuedef multi_get_sec_link(url):
pool = ThreadPool(cpu())
linkset = pool.map(get_links_second, url)
pool.close()
pool.join() return linksetdef multi_get_third_link(url):
pool = ThreadPool(4)
linkset = pool.map(get_links_third, url)
pool.close()
pool.join() return linksetdef multi_get_picture(download, root=PATH):
pool = ThreadPool(4) for i in range(len(download)):
picurlset = download[download.keys()[i]]
folder = root + '/' + download.keys()[i] #注8# print folder
if not os.path.exists(folder):
os.mkdir(folder)# else:# os.chdir(folder)
pool.map(get_picture, zip(picurlset, folder)) #注9
pool.close()
pool.join()if __name__ == '__main__':
url = URL
linkset = multi_get_sec_link(get_links_first(url))
linkset = [j for i in linkset for j in i] #注10
linkset2 = multi_get_third_link(linkset)
finalset = {} for dic in linkset2:
finalset.update(dic) #注11
multi_get_picture(finalset)总注：get_links_first、get_links_second、get_links_third、get_picture分别为上文中的1、2、3步和下载图片的最后一步。multi_get_sec_link、multi_get_third_link、multi_get_picture即为多线程处理这些步骤的过程。
注1：inspect.stack()[1][3]是返回当前运行着的函数名称
注3：列表解析的方式生成列表是效率最高的方式，方法是 list = [i for in in xxx]。link.insert(index, par)是将元素par插入列表的方法，index代表插入的位置
注2：设置timeout=20来避免由于网络不通导致网页请求停滞，同时加入重试5次，一直都不通则通过raise报异常
注4：在第一种方法中，获得专辑标题是在网站首页完成的，但由于此方法中将每一步切分成了单独的函数来做，所以在每个专辑各自的页面中获得标题，其HTML源码为<div class="inline">标题</div>
注5：获取的title中有大量空格以及\n字符，因此通过正则表达式匹配\S，即匹配任何非空白字符。通过re.findall处理过的字符会被切分成一个个字符串的列表，于是要用.join()函数重新组合成字符串
注6：生成字典变量download，folder为键，link是值
注8：前文将专辑名与相对应的图片链接列表存了字典变量，这里要重新取出来。download[download.keys()[i]]取的是值，download.keys()[i]取的是键
注7、注9：由于map(func, list)函数中的list，所以fund只能接一个参数，而用了zip(par1, par2, ...)后，配合函数设定为def func((par1, par2, ...))，即可实现多参传递，且若函数中有已设默认值参数，则为def func((par1, par2, ...), par3='')
注10：由于由于上文所讲的多线程的特性，输出的是多个列表组成的列表，使用语句[j for i in linkset for j in i]将此列表展开
注11：linkset2所使用的函数生成的是专辑+链接的字典，输出的是一个个字典对组成的列表，如[{'a': [1,2,3]}, {'b': [2,3,4]}]因此为了把此列表展开，重新变成{'a': [1,2,3], 'b': [4,5,6]}, 使用一个循环。字典类型的添加元素用dict.update(dic)的方法
附加
由于我处的网络环境实在是太奇葩了，即使网页打得开、视频流畅，在用urlopen时却各种timeout，因此我添加了以下代码，将最后的链接字典保存成一个文件。
f = open(FILENAME,"r") f.write(str(finalset)) f.close()
之后直接读取该文件。同时为了让程序在无数次蛋疼的timeout报错中自己不断重试，又进一步增加了循环语句。
f = open("/Users/Adam/Documents/Python_Scripts/Photos/links.txt","r")
finalset = eval(f.read())while True:
try:
multi_get_picture(finalist) #转成字符串的字典再转回来
break
except: continue写到这里，本程序就写完了，接下来就是跑起来然后看着一个个文件夹在电脑里冒出来，然后一个个图片如雨后春笋般出现吧。
以上です
作者：竹间为简
链接：https://www.jianshu.com/p/fe4a1056e023
随时随地看视频
