一、前言

強(qiáng)烈建議：請在電腦的陪同下，閱讀本文。本文以實戰(zhàn)為主，閱讀過程如稍有不適，還望多加練習(xí)。

本文的實戰(zhàn)內(nèi)容有：

• 網(wǎng)絡(luò)小說下載（靜態(tài)網(wǎng)站）

• 優(yōu)美壁紙下載（動態(tài)網(wǎng)站）

• 愛奇藝VIP視頻下載

二、網(wǎng)絡(luò)爬蟲簡介

網(wǎng)絡(luò)爬蟲，也叫網(wǎng)絡(luò)蜘蛛（Web Spider）。它根據(jù)網(wǎng)頁地址（URL）爬取網(wǎng)頁內(nèi)容，而網(wǎng)頁地址（URL）就是我們在瀏覽器中輸入的網(wǎng)站鏈接。比如：https://www.baidu.com/，它就是一個URL。

在講解爬蟲內(nèi)容之前，我們需要先學(xué)習(xí)一項寫爬蟲的必備技能：審查元素（如果已掌握，可跳過此部分內(nèi)容）。

1. 審查元素

在瀏覽器的地址欄輸入URL地址，在網(wǎng)頁處右鍵單擊，找到檢查，如下圖所示：（不同瀏覽器的叫法不同，Chrome瀏覽器叫做檢查，F(xiàn)irefox瀏覽器叫做查看元素，但是功能都是相同的）

我們可以看到，右側(cè)出現(xiàn)了一大推代碼，這些代碼就叫做HTML。什么是HTML？舉個容易理解的例子：我們的基因決定了我們的原始容貌，服務(wù)器返回的HTML決定了網(wǎng)站的原始容貌。

為啥說是原始容貌呢？因為人可以整容??！扎心了，有木有？那網(wǎng)站也可以"整容"嗎？可以！請看下圖：

我能有這么多錢嗎？顯然不可能。我是怎么給網(wǎng)站"整容"的呢？就是通過修改服務(wù)器返回的HTML信息。我們每個人都是"整容大師"，可以修改頁面信息。我們在頁面的哪個位置點擊審查元素，瀏覽器就會為我們定位到相應(yīng)的HTML位置，進(jìn)而就可以在本地更改HTML信息。

再舉個小例子：我們都知道，使用瀏覽器"記住密碼"的功能，密碼會變成一堆小黑點，是不可見的?？梢宰屆艽a顯示出來嗎？可以，只需給頁面"動個小手術(shù)"！以淘寶為例，在輸入密碼框處右鍵，點擊檢查。

可以看到，瀏覽器為我們自動定位到了相應(yīng)的HTML位置。將下圖中的password屬性值改為text屬性值（直接在右側(cè)代碼處修改）：

就這樣，瀏覽器"記住的密碼"顯現(xiàn)出來了：

說這么多，什么意思呢？瀏覽器就是作為客戶端從服務(wù)器端獲取信息，然后將信息解析，并展示給我們的。我們可以在本地修改HTML信息，為網(wǎng)頁"整容"，但是我們修改的信息不會回傳到服務(wù)器，服務(wù)器存儲的HTML信息不會改變。刷新一下界面，頁面還會回到原本的樣子。這就跟人整容一樣，我們能改變一些表面的東西，但是不能改變我們的基因。

2. 簡單實例

網(wǎng)絡(luò)爬蟲的第一步就是根據(jù)URL，獲取網(wǎng)頁的HTML信息。在Python3中，可以使用urllib.request和requests進(jìn)行網(wǎng)頁爬取。

• urllib庫是python內(nèi)置的，無需我們額外安裝，只要安裝了Python就可以使用這個庫。

• requests庫是第三方庫，需要我們自己安裝。

requests庫強(qiáng)大好用，所以本文使用requests庫獲取網(wǎng)頁的HTML信息。requests庫的github地址：https://github.com/requests/requests

（1）requests安裝

在學(xué)習(xí)使用requests庫之前，我們需要在電腦中安裝好requests庫。在cmd中，使用如下指令安裝requests庫：

• pip install requests

• easy_install requests

使用pip和easy_install都可以安裝，二選一即可。

（2）簡單實例

安裝好requests庫之后，我們先來大體瀏覽一下requests庫的基礎(chǔ)方法：

官方中文教程地址：http://docs.python-requests.org/zh_CN/latest/user/quickstart.html

requests庫的開發(fā)者為我們提供了詳細(xì)的中文教程，查詢起來很方便。本文不會對其所有內(nèi)容進(jìn)行講解，摘取其部分使用到的內(nèi)容，進(jìn)行實戰(zhàn)說明。

首先，讓我們看下requests.get()方法，它用于向服務(wù)器發(fā)起GET請求，不了解GET請求沒有關(guān)系。我們可以這樣理解：get的中文意思是得到、抓住，那這個requests.get()方法就是從服務(wù)器得到、抓住數(shù)據(jù)，也就是獲取數(shù)據(jù)。讓我們看一個例子(以 www.gitbook.cn 為例)來加深理解：

# -*- coding:UTF-8 -*- import requests if __name__ == '__main__': target = 'http://gitbook.cn/' req = requests.get(url=target) print(req.text)

requests.get()方法必須設(shè)置的一個參數(shù)就是url，因為我們得告訴GET請求，我們的目標(biāo)是誰，我們要獲取誰的信息。我們將GET請求獲得的響應(yīng)內(nèi)容存放到req變量中，然后使用req.text就可以獲得HTML信息了。運行結(jié)果如下：

左側(cè)是我們程序獲得的結(jié)果，右側(cè)是我們在www.gitbook.cn 網(wǎng)站審查元素獲得的信息。我們可以看到，我們已經(jīng)順利獲得了該網(wǎng)頁的HTML信息。這就是一個最簡單的爬蟲實例，可能你會問，我只是爬取了這個網(wǎng)頁的HTML信息，有什么用呢？客官稍安勿躁，接下來進(jìn)入我們的實戰(zhàn)正文。

三、爬蟲實戰(zhàn)

實戰(zhàn)內(nèi)容由簡單到復(fù)雜，難度逐漸增加，但均屬于入門級難度。下面開始我們的第一個實戰(zhàn)內(nèi)容：網(wǎng)絡(luò)小說下載。

1. 小說下載

（1）實戰(zhàn)背景

小說網(wǎng)站《筆趣看》URL：http://www.biqukan.com/

《筆趣看》是一個盜版小說網(wǎng)站，這里有很多起點中文網(wǎng)的小說，該網(wǎng)站小說的更新速度稍滯后于起點中文網(wǎng)正版小說的更新速度。并且該網(wǎng)站只支持在線瀏覽，不支持小說打包下載。因此，本次實戰(zhàn)就是從該網(wǎng)站爬取并保存一本名為《一念永恒》的小說，該小說是耳根正在連載中的一部玄幻小說。PS：本實例僅為交流學(xué)習(xí)，支持耳根大大，請上起點中文網(wǎng)訂閱。

（2）小試牛刀

我們先看下《一念永恒》小說的第一章內(nèi)容，URL：http://www.biqukan.com/1_1094/5403177.html

用已經(jīng)學(xué)到的知識獲取HTML信息試一試，編寫代碼如下：

# -*- coding:UTF-8 -*- import requests if __name__ == '__main__': target = 'http://www.biqukan.com/1_1094/5403177.html' req = requests.get(url=target) print(req.text)

運行代碼，可以看到如下結(jié)果：

可以看到，我們很輕松地獲取了HTML信息。但是，很顯然，很多信息是我們不想看到的，我們只想獲得如右側(cè)所示的正文內(nèi)容，我們不關(guān)心那些看著眼暈的英文字母。如何把正文內(nèi)容從這些眾多的HTML信息中提取出來呢？這就是本小節(jié)實戰(zhàn)的主要內(nèi)容。

（3）Beautiful Soup

爬蟲的第一步，獲取整個網(wǎng)頁的HTML信息，我們已經(jīng)完成。接下來就是爬蟲的第二步，解析HTML信息，提取我們感興趣的內(nèi)容。對于本小節(jié)的實戰(zhàn)，我們感興趣的內(nèi)容就是文章的正文。提取的方法有很多，例如使用正則表達(dá)式、Xpath、Beautiful Soup等。對于初學(xué)者而言，最容易理解，并且使用簡單的方法就是使用Beautiful Soup提取感興趣內(nèi)容。

Beautiful Soup的安裝方法和requests一樣，使用如下指令安裝(也是二選一)：

• pip install beautifulsoup4

• easy_install beautifulsoup4

一個強(qiáng)大的第三方庫，都會有一個詳細(xì)的官方文檔。我們很幸運，Beautiful Soup也是有中文的官方文檔。URL：http://beautifulsoup.readthedocs.io/zh_CN/latest/

同理，我會根據(jù)實戰(zhàn)需求，講解Beautiful Soup庫的部分使用方法，更詳細(xì)的內(nèi)容，請查看官方文檔。

現(xiàn)在，我們使用已經(jīng)掌握的審查元素方法，查看一下我們的目標(biāo)頁面，你會看到如下內(nèi)容：

不難發(fā)現(xiàn)，文章的所有內(nèi)容都放在了一個名為p的“東西下面”，這個"東西"就是html標(biāo)簽。HTML標(biāo)簽是HTML語言中最基本的單位，HTML標(biāo)簽是HTML最重要的組成部分。不理解，沒關(guān)系，我們再舉個簡單的例子：一個女人的包包里，會有很多東西，她們會根據(jù)自己的習(xí)慣將自己的東西進(jìn)行分類。鏡子和口紅這些會經(jīng)常用到的東西，回歸放到容易拿到的外側(cè)口袋里。那些不經(jīng)常用到，需要注意安全存放的證件會被放到不容易拿到的里側(cè)口袋里。

html標(biāo)簽就像一個個“口袋”，每個“口袋”都有自己的特定功能，負(fù)責(zé)存放不同的內(nèi)容。顯然，上述例子中的p標(biāo)簽下存放了我們關(guān)心的正文內(nèi)容。這個p標(biāo)簽是這樣的：

<p id="content", class="showtxt">

細(xì)心的朋友可能已經(jīng)發(fā)現(xiàn)，除了p字樣外，還有id和class。id和class就是p標(biāo)簽的屬性，content和showtxt是屬性值，一個屬性對應(yīng)一個屬性值。這東西有什么用？它是用來區(qū)分不同的p標(biāo)簽的，因為p標(biāo)簽可以有很多，我們怎么加以區(qū)分不同的p標(biāo)簽?zāi)?？就是通過不同的屬性值。

仔細(xì)觀察目標(biāo)網(wǎng)站一番，我們會發(fā)現(xiàn)這樣一個事實：class屬性為showtxt的p標(biāo)簽，獨一份！這個標(biāo)簽里面存放的內(nèi)容，是我們關(guān)心的正文部分。

知道這個信息，我們就可以使用Beautiful Soup提取我們想要的內(nèi)容了，編寫代碼如下：

# -*- coding:UTF-8 -*- from bs4 import BeautifulSoup import requests if __name__ == "__main__": target = 'http://www.biqukan.com/1_1094/5403177.html' req = requests.get(url = target) html = req.text bf = BeautifulSoup(html) texts = bf.find_all('p', class_ = 'showtxt') print(texts)

在解析html之前，我們需要創(chuàng)建一個Beautiful Soup對象。BeautifulSoup函數(shù)里的參數(shù)就是我們已經(jīng)獲得的html信息。然后我們使用find_all方法，獲得html信息中所有class屬性為showtxt的p標(biāo)簽。find_all方法的第一個參數(shù)是獲取的標(biāo)簽名，第二個參數(shù)class_是標(biāo)簽的屬性，為什么不是class，而帶了一個下劃線呢？因為python中class是關(guān)鍵字，為了防止沖突，這里使用class_表示標(biāo)簽的class屬性，class_后面跟著的showtxt就是屬性值了?？聪挛覀円ヅ涞臉?biāo)簽格式：

<p id="content", class="showtxt">

這樣對應(yīng)的看一下，是不是就懂了？可能有人會問了，為什么不是find_all('p', id = 'content', class_ = 'showtxt')?這樣其實也是可以的，屬性是作為查詢時候的約束條件，添加一個class_='showtxt'條件，我們就已經(jīng)能夠準(zhǔn)確匹配到我們想要的標(biāo)簽了，所以我們就不必再添加id這個屬性了。運行代碼查看我們匹配的結(jié)果：

我們可以看到，我們已經(jīng)順利匹配到我們關(guān)心的正文內(nèi)容，但是還有一些我們不想要的東西。比如p標(biāo)簽名，br標(biāo)簽，以及各種空格。怎么去除這些東西呢？我們繼續(xù)編寫代碼：

# -*- coding:UTF-8 -*- from bs4 import BeautifulSoup import requests if __name__ == "__main__": target = 'http://www.biqukan.com/1_1094/5403177.html' req = requests.get(url = target) html = req.text bf = BeautifulSoup(html) texts = bf.find_all('p', class_ = 'showtxt') print(texts[0].text.replace('xa0'*8,'nn'))

find_all匹配的返回的結(jié)果是一個列表。提取匹配結(jié)果后，使用text屬性，提取文本內(nèi)容，濾除br標(biāo)簽。隨后使用replace方法，剔除空格，替換為回車進(jìn)行分段。 在html中是用來表示空格的。replace('xa0'*8,'nn')就是去掉下圖的八個空格符號，并用回車代替：

程序運行結(jié)果如下：

可以看到，我們很自然的匹配到了所有正文內(nèi)容，并進(jìn)行了分段。我們已經(jīng)順利獲得了一個章節(jié)的內(nèi)容，要想下載正本小說，我們就要獲取每個章節(jié)的鏈接。我們先分析下小說目錄，URL：http://www.biqukan.com/1_1094/

通過審查元素，我們發(fā)現(xiàn)可以發(fā)現(xiàn)，這些章節(jié)都存放在了class屬性為listmain的p標(biāo)簽下，選取部分html代碼如下：

<p class="listmain"> <dl> <dt>《一念永恒》最新章節(jié)列表</dt> <dd><a href="/1_1094/15932394.html">第1027章 第十道門</a></dd> <dd><a href="/1_1094/15923072.html">第1026章 絕倫道法！</a></dd> <dd><a href="/1_1094/15921862.html">第1025章 長生燈！</a></dd> <dd><a href="/1_1094/15918591.html">第1024章 一目晶淵</a></dd> <dd><a href="/1_1094/15906236.html">第1023章 通天道門</a></dd> <dd><a href="/1_1094/15903775.html">第1022章 四大兇獸！</a></dd> <dd><a href="/1_1094/15890427.html">第1021章 鱷首！</a></dd> <dd><a href="/1_1094/15886627.html">第1020章 一觸即發(fā)！</a></dd> <dd><a href="/1_1094/15875306.html">第1019章 魁祖的氣息！</a></dd> <dd><a href="/1_1094/15871572.html">第1018章 絕望的魁皇城</a></dd> <dd><a href="/1_1094/15859514.html">第1017章 我還是恨你！</a></dd> <dd><a href="/1_1094/15856137.html">第1016章 從來沒有世界之門！</a></dd> <dt>《一念永恒》正文卷</dt> <dd><a href="/1_1094/5386269.html">外傳1 柯父。</a></dd> <dd><a href="/1_1094/5386270.html">外傳2 楚玉嫣。</a></dd> <dd><a href="/1_1094/5386271.html">外傳3 鸚鵡與皮凍。</a></dd> <dd><a href="/1_1094/5403177.html">第一章 他叫白小純</a></dd> <dd><a href="/1_1094/5428081.html">第二章 火灶房</a></dd> <dd><a href="/1_1094/5433843.html">第三章 六句真言</a></dd> <dd><a href="/1_1094/5447905.html">第四章 煉靈</a></dd> </dl> </p>

在分析之前，讓我們先介紹一個概念：父節(jié)點、子節(jié)點、孫節(jié)點。<p>和</p>限定了<p>標(biāo)簽的開始和結(jié)束的位置，他們是成對出現(xiàn)的，有開始位置，就有結(jié)束位置。我們可以看到，在<p>標(biāo)簽包含<dl>標(biāo)簽，那這個<dl>標(biāo)簽就是<p>標(biāo)簽的子節(jié)點，<dl>標(biāo)簽又包含<dt>標(biāo)簽和<dd>標(biāo)簽，那么<dt>標(biāo)簽和<dd>標(biāo)簽就是<p>標(biāo)簽的孫節(jié)點。有點繞？那你記住這句話：誰包含誰，誰就是誰兒子！

他們之間的關(guān)系都是相對的。比如對于<dd>標(biāo)簽，它的子節(jié)點是<a>標(biāo)簽，它的父節(jié)點是<dl>標(biāo)簽。這跟我們?nèi)耸且粯拥?，上有老下有小?/P>

看到這里可能有人會問，這有好多<dd>標(biāo)簽和<a>標(biāo)簽??！不同的<dd>標(biāo)簽，它們是什么關(guān)系??？顯然，兄弟姐妹嘍！我們稱它們?yōu)樾值芙Y(jié)點。

好了，概念明確清楚，接下來，讓我們分析一下問題。我們看到每個章節(jié)的名字存放在了<a>標(biāo)簽里面。<a>標(biāo)簽還有一個href屬性。這里就不得不提一下<a>標(biāo)簽的定義了，<a> 標(biāo)簽定義了一個超鏈接，用于從一張頁面鏈接到另一張頁面。<a> 標(biāo)簽最重要的屬性是 href 屬性，它指示鏈接的目標(biāo)。

我們將之前獲得的第一章節(jié)的URL和<a> 標(biāo)簽對比看一下：

http://www.biqukan.com/1_1094/5403177.html <a href="/1_1094/5403177.html">第一章 他叫白小純</a>

不難發(fā)現(xiàn)，<a> 標(biāo)簽中href屬性存放的屬性值/1_1094/5403177.html是章節(jié)URLhttp://www.biqukan.com/1_1094/5403177.html的后半部分。其他章節(jié)也是如此！那這樣，我們就可以根據(jù)<a> 標(biāo)簽的href屬性值獲得每個章節(jié)的鏈接和名稱了。

總結(jié)一下：小說每章的鏈接放在了class屬性為listmain的<p>標(biāo)簽下的<a>標(biāo)簽中。鏈接具體位置放在html->body->p->dl->dd->a的href屬性中。先匹配class屬性為listmain的<p>標(biāo)簽，再匹配<a>標(biāo)簽。編寫代碼如下：

# -*- coding:UTF-8 -*- from bs4 import BeautifulSoup import requests if __name__ == "__main__": target = 'http://www.biqukan.com/1_1094/' req = requests.get(url = target) html = req.text p_bf = BeautifulSoup(html) p = p_bf.find_all('p', class_ = 'listmain') print(p[0])

還是使用find_all方法，運行結(jié)果如下：

很順利，接下來再匹配每一個<a>標(biāo)簽，并提取章節(jié)名和章節(jié)文章。如果我們使用Beautiful Soup匹配到了下面這個<a>標(biāo)簽，如何提取它的href屬性和<a>標(biāo)簽里存放的章節(jié)名呢？

<a href="/1_1094/5403177.html">第一章 他叫白小純</a>

方法很簡單，對Beautiful Soup返回的匹配結(jié)果a，使用a.get('href')方法就能獲取href的屬性值，使用a.string就能獲取章節(jié)名，編寫代碼如下：

# -*- coding:UTF-8 -*- from bs4 import BeautifulSoup import requests if __name__ == "__main__": server = 'http://www.biqukan.com/' target = 'http://www.biqukan.com/1_1094/' req = requests.get(url = target) html = req.text p_bf = BeautifulSoup(html) p = p_bf.find_all('p', class_ = 'listmain') a_bf = BeautifulSoup(str(p[0])) a = a_bf.find_all('a') for each in a: print(each.string, server + each.get('href'))

因為find_all返回的是一個列表，里邊存放了很多的<a>標(biāo)簽，所以使用for循環(huán)遍歷每個<a>標(biāo)簽并打印出來，運行結(jié)果如下。

最上面匹配的一千多章的內(nèi)容是最新更新的12章節(jié)的鏈接。這12章內(nèi)容會和下面的重復(fù)，所以我們要濾除，除此之外，還有那3個外傳，我們也不想要。這些都簡單地剔除就好。

（3）整合代碼

每個章節(jié)的鏈接、章節(jié)名、章節(jié)內(nèi)容都有了。接下來就是整合代碼，將獲得內(nèi)容寫入文本文件存儲就好了。編寫代碼如下：

# -*- coding:UTF-8 -*- from bs4 import BeautifulSoup import requests, sys """ 類說明:下載《筆趣看》網(wǎng)小說《一念永恒》 Parameters: 無 Returns: 無 Modify: 2017-09-13 """ class downloader(object): def __init__(self): self.server = 'http://www.biqukan.com/' self.target = 'http://www.biqukan.com/1_1094/' self.names = [] #存放章節(jié)名 self.urls = [] #存放章節(jié)鏈接 self.nums = 0 #章節(jié)數(shù) """ 函數(shù)說明:獲取下載鏈接 Parameters: 無 Returns: 無 Modify: 2017-09-13 """ def get_download_url(self): req = requests.get(url = self.target) html = req.text p_bf = BeautifulSoup(html) p = p_bf.find_all('p', class_ = 'listmain') a_bf = BeautifulSoup(str(p[0])) a = a_bf.find_all('a') self.nums = len(a[15:]) #剔除不必要的章節(jié)，并統(tǒng)計章節(jié)數(shù) for each in a[15:]: self.names.append(each.string) self.urls.append(self.server + each.get('href')) """ 函數(shù)說明:獲取章節(jié)內(nèi)容 Parameters: target - 下載連接(string) Returns: texts - 章節(jié)內(nèi)容(string) Modify: 2017-09-13 """ def get_contents(self, target): req = requests.get(url = target) html = req.text bf = BeautifulSoup(html) texts = bf.find_all('p', class_ = 'showtxt') texts = texts[0].text.replace('xa0'*8,'nn') return texts """ 函數(shù)說明:將爬取的文章內(nèi)容寫入文件 Parameters: name - 章節(jié)名稱(string) path - 當(dāng)前路徑下,小說保存名稱(string) text - 章節(jié)內(nèi)容(string) Returns: 無 Modify: 2017-09-13 """ def writer(self, name, path, text): write_flag = True with open(path, 'a', encoding='utf-8') as f: f.write(name + 'n') f.writelines(text) f.write('nn') if __name__ == "__main__": dl = downloader() dl.get_download_url() print('《一年永恒》開始下載：') for i in range(dl.nums): dl.writer(dl.names[i], '一念永恒.txt', dl.get_contents(dl.urls[i])) sys.stdout.write(" 已下載:%.3f%%" % float(i/dl.nums) + 'r') sys.stdout.flush() print('《一年永恒》下載完成')

很簡單的程序，單進(jìn)程跑，沒有開進(jìn)程池。下載速度略慢，喝杯茶休息休息吧。代碼運行效果如下圖所示：

2. 優(yōu)美壁紙下載

（1）實戰(zhàn)背景

已經(jīng)會爬取文字了，是不是感覺爬蟲還是蠻好玩的呢？接下來，讓我們進(jìn)行一個進(jìn)階實戰(zhàn)，了解一下反爬蟲。URL：https://unsplash.com/

看一看這些優(yōu)美的壁紙，這個網(wǎng)站的名字叫做Unsplash，免費高清壁紙分享網(wǎng)是一個堅持每天分享高清的攝影圖片的站點，每天更新一張高質(zhì)量的圖片素材，全是生活中的景象作品，清新的生活氣息圖片可以作為桌面壁紙也可以應(yīng)用于各種需要的環(huán)境。

看到這么優(yōu)美的圖片，我的第一反應(yīng)就是想收藏一些，作為知乎文章的題圖再好不過了。每張圖片我都很喜歡，批量下載吧，不多爬，就下載50張好了。

（2）實戰(zhàn)進(jìn)階

我們已經(jīng)知道了每個html標(biāo)簽都有各自的功能。<a>標(biāo)簽存放一下超鏈接，圖片存放在哪個標(biāo)簽里呢？html規(guī)定，圖片統(tǒng)統(tǒng)給我放到<img>標(biāo)簽中！既然這樣，我們截取就Unsplash網(wǎng)站中的一個<img>標(biāo)簽，分析一下：

<img alt="Snow-capped mountain slopes under blue sky" src="https://images.unsplash.com/photo-1428509774491-cfac96e12253?dpr=1&auto=compress,format&fit=crop&w=360&h=240&q=80&cs=tinysrgb&crop=" class="cV68d" style="width: 220px; height: 147px;">

可以看到，<img>標(biāo)簽有很多屬性，有alt、src、class、style屬性，其中src屬性存放的就是我們需要的圖片保存地址，我們根據(jù)這個地址就可以進(jìn)行圖片的下載。

那么，讓我們先捋一捋這個過程：

• 使用requeusts獲取整個網(wǎng)頁的HTML信息；

• 使用Beautiful Soup解析HTML信息，找到所有<img>標(biāo)簽，提取src屬性，獲取圖片存放地址；

• 根據(jù)圖片存放地址，下載圖片。

我們信心滿滿地按照這個思路爬取Unsplash試一試，編寫代碼如下：

# -*- coding:UTF-8 -*- import requests if __name__ == '__main__': target = 'https://unsplash.com/' req = requests.get(url=target) print(req.text)

按照我們的設(shè)想，我們應(yīng)該能找到很多<img>標(biāo)簽。但是我們發(fā)現(xiàn)，除了一些<>標(biāo)簽和一些看不懂的代碼之外，我們一無所獲，一個<img>標(biāo)簽都沒有！跟我們在網(wǎng)站審查元素的結(jié)果完全不一樣，這是為什么？

答案就是，這個網(wǎng)站的所有圖片都是動態(tài)加載的！網(wǎng)站有靜態(tài)網(wǎng)站和動態(tài)網(wǎng)站之分，上一個實戰(zhàn)爬取的網(wǎng)站是靜態(tài)網(wǎng)站，而這個網(wǎng)站是動態(tài)網(wǎng)站，動態(tài)加載有一部分的目的就是為了反爬蟲。

對于什么是動態(tài)加載，你可以這樣理解：

我們知道化妝術(shù)學(xué)的好，賊厲害，可以改變一個人的容貌。相應(yīng)的，動態(tài)加載用的好，也賊厲害，可以改變一個網(wǎng)站的容貌。

動態(tài)網(wǎng)站使用動態(tài)加載常用的手段就是通過調(diào)用Java來實現(xiàn)的。怎么實現(xiàn)Java動態(tài)加載，我們不必深究，我們只要知道，動態(tài)加載的Java腳本，就像化妝術(shù)需要用的化妝品，五花八門。有粉底、口紅、睫毛膏等等，它們都有各自的用途。動態(tài)加載的Java腳本也一樣，一個動態(tài)加載的網(wǎng)站可能使用很多Java腳本，我們只要找到負(fù)責(zé)動態(tài)加載圖片的Java腳本，不就找到我們需要的鏈接了嗎？

對于初學(xué)者，我們不必看懂Java執(zhí)行的內(nèi)容是什么，做了哪些事情，因為我們有強(qiáng)大的抓包工具，它自然會幫我們分析。這個強(qiáng)大的抓包工具就是Fiddler。URL：http://www.telerik.com/fiddler

PS：也可以使用瀏覽器自帶的Networks，但是我更推薦這個軟件，因為它操作起來更高效。

安裝方法很簡單，傻瓜式安裝，一直下一步即可，對于經(jīng)常使用電腦的人來說，應(yīng)該沒有任何難度。

這個軟件的使用方法也很簡單，打開軟件，然后用瀏覽器打開我們的目標(biāo)網(wǎng)站，以Unsplash為例，抓包結(jié)果如下：

我們可以看到，上圖左側(cè)紅框處是我們的GET請求的地址，就是網(wǎng)站的URL，右下角是服務(wù)器返回的信息，我們可以看到，這些信息也是我們上一個程序獲得的信息。這個不是我們需要的鏈接，我們繼續(xù)往下看。

我們發(fā)現(xiàn)上圖所示的就是一個Java請求，看右下側(cè)服務(wù)器返回的信息是一個json格式的數(shù)據(jù)。這里面，就有我們需要的內(nèi)容。我們局部放大看一下：

這是Fiddler右側(cè)的信息，上面是請求的Headers信息，包括這個Java的請求地 址：http://unsplash.com/napi/feeds/home，其他信息我們先不管，我們看看下面的內(nèi)容。里面有很多圖片的信息，包括圖片的id，圖片的大小，圖片的鏈接，還有下一頁的地址。這個腳本以json格式存儲傳輸?shù)臄?shù)據(jù)，json格式是一種輕量級的數(shù)據(jù)交換格式，起到封裝數(shù)據(jù)的作用，易于人閱讀和編寫，同時也易于機(jī)器解析和生成。這么多鏈接，可以看到圖片的鏈接有很多，根據(jù)哪個鏈接下載圖片呢？先別急，讓我們繼續(xù)分析：

在這個網(wǎng)站，我們可以按這個按鈕進(jìn)行圖片下載。我們抓包分下下這個動作，看看發(fā)送了哪些請求。

https://unsplash.com/photos/1PrQ2mHW-Fo/download?force=true https://unsplash.com/photos/JX7nDtafBcU/download?force=true https://unsplash.com/photos/HCVbP3zqX4k/download?force=true

通過Fiddler抓包，我們發(fā)現(xiàn)，點擊不同圖片的下載按鈕，GET請求的地址都是不同的。但是它們很有規(guī)律，就是中間有一段代碼是不一樣的，其他地方都一樣。中間那段代碼是不是很熟悉？沒錯，它就是我們之前抓包分析得到j(luò)son數(shù)據(jù)中的照片的id。我們只要解析出每個照片的id，就可以獲得圖片下載的請求地址，然后根據(jù)這個請求地址，我們就可以下載圖片了。那么，現(xiàn)在的首要任務(wù)就是解析json數(shù)據(jù)了。

json格式的數(shù)據(jù)也是分層的?？梢钥吹絥ext_page里存放的是下一頁的請求地址，很顯然Unsplash下一頁的內(nèi)容，也是動態(tài)加載的。在photos下面的id里，存放著圖片的id，這個就是我們需要獲得的圖片id號。

怎么編程提取這些json數(shù)據(jù)呢？我們也是分步完成：

• 獲取整個json數(shù)據(jù)

• 解析json數(shù)據(jù)

編寫代碼，嘗試獲取json數(shù)據(jù)：

# -*- coding:UTF-8 -*- import requests if __name__ == '__main__': target = 'http://unsplash.com/napi/feeds/home' req = requests.get(url=target) print(req.text)

很遺憾，程序報錯了，問題出在哪里？通過錯誤信息，我們可以看到SSL認(rèn)證錯誤，SSL認(rèn)證是指客戶端到服務(wù)器端的認(rèn)證。一個非常簡單的解決這個認(rèn)證錯誤的方法就是設(shè)置requests.get()方法的verify參數(shù)。這個參數(shù)默認(rèn)設(shè)置為True，也就是執(zhí)行認(rèn)證。我們將其設(shè)置為False，繞過認(rèn)證不就可以了？

有想法就要嘗試，編寫代碼如下：

# -*- coding:UTF-8 -*- import requests if __name__ == '__main__': target = 'http://unsplash.com/napi/feeds/home' req = requests.get(url=target, verify=False) print(req.text)

認(rèn)證問題解決了，又有新問題了：

可以看到，我們GET請求又失敗了，這是為什么？這個網(wǎng)站反爬蟲的手段除了動態(tài)加載，還有一個反爬蟲手段，那就是驗證Request Headers。接下來，讓我們分析下這個Requests Headers：

我截取了Fiddler的抓包信息，可以看到Requests Headers里又很多參數(shù)，有Accept、Accept-Encoding、Accept-Language、DPR、User-Agent、Viewport-Width、accept-version、Referer、x-unsplash-client、authorization、Connection、Host。它們都是什么意思呢？

專業(yè)的解釋能說的太多，我挑重點：

• User-Agent：這里面存放瀏覽器的信息?？梢钥吹缴蠄D的參數(shù)值，它表示我是通過Windows的Chrome瀏覽器，訪問的這個服務(wù)器。如果我們不設(shè)置這個參數(shù)，用Python程序直接發(fā)送GET請求，服務(wù)器接受到的User-Agent信息就會是一個包含python字樣的User-Agent。如果后臺設(shè)計者驗證這個User-Agent參數(shù)是否合法，不讓帶Python字樣的User-Agent訪問，這樣就起到了反爬蟲的作用。這是一個最簡單的，最常用的反爬蟲手段。

• Referer：這個參數(shù)也可以用于反爬蟲，它表示這個請求是從哪發(fā)出的?？梢钥吹轿覀兺ㄟ^瀏覽器訪問網(wǎng)站，這個請求是從https://unsplash.com/，這個地址發(fā)出的。如果后臺設(shè)計者，驗證這個參數(shù)，對于不是從這個地址跳轉(zhuǎn)過來的請求一律禁止訪問，這樣就也起到了反爬蟲的作用。

• authorization：這個參數(shù)是基于AAA模型中的身份驗證信息允許訪問一種資源的行為。在我們用瀏覽器訪問的時候，服務(wù)器會為訪問者分配這個用戶ID。如果后臺設(shè)計者，驗證這個參數(shù)，對于沒有用戶ID的請求一律禁止訪問，這樣就又起到了反爬蟲的作用。

Unsplash是根據(jù)哪個參數(shù)反爬蟲的呢？根據(jù)我的測試，是authorization。我們只要通過程序手動添加這個參數(shù)，然后再發(fā)送GET請求，就可以順利訪問了。怎么什么設(shè)置呢？還是requests.get()方法，我們只需要添加headers參數(shù)即可。編寫代碼如下：

# -*- coding:UTF-8 -*- import requests if __name__ == '__main__': target = 'http://unsplash.com/napi/feeds/home' headers = {'authorization':'your Client-ID'} req = requests.get(url=target, headers=headers, verify=False) print(req.text)

headers參數(shù)值是通過字典傳入的。記得將上述代碼中your Client-ID換成諸位自己抓包獲得的信息。代碼運行結(jié)果如下：

皇天不負(fù)有心人，可以看到我們已經(jīng)順利獲得json數(shù)據(jù)了，里面有next_page和照片的id。接下來就是解析json數(shù)據(jù)。根據(jù)我們之前分析可知，next_page放在了json數(shù)據(jù)的最外側(cè)，照片的id放在了photos->id里。我們使用json.load()方法解析數(shù)據(jù)，編寫代碼如下：

# -*- coding:UTF-8 -*- import requests, json if __name__ == '__main__': target = 'http://unsplash.com/napi/feeds/home' headers = {'authorization':'your Client-ID'} req = requests.get(url=target, headers=headers, verify=False) html = json.loads(req.text) next_page = html['next_page'] print('下一頁地址:',next_page) for each in html['photos']: print('圖片ID:',each['id'])

解析json數(shù)據(jù)很簡單，跟字典操作一樣，就是字典套字典。json.load()里面的參數(shù)是原始的json格式的數(shù)據(jù)。程序運行結(jié)果如下：

圖片的ID已經(jīng)獲得了，再通過字符串處理一下，就生成了我們需要的圖片下載請求地址。根據(jù)這個地址，我們就可以下載圖片了。下載方式，使用直接寫入文件的方法。

（3）整合代碼

每次獲取鏈接加一個1s延時，因為人在瀏覽頁面的時候，翻頁的動作不可能太快。我們要讓我們的爬蟲盡量友好一些。

# -*- coding:UTF-8 -*- import requests, json, time, sys from contextlib import closing class get_photos(object): def __init__(self): self.photos_id = [] self.download_server = 'https://unsplash.com/photos/xxx/download?force=trues' self.target = 'http://unsplash.com/napi/feeds/home' self.headers = {'authorization':'your Client-ID'} """ 函數(shù)說明:獲取圖片ID Parameters: 無 Returns: 無 Modify: 2017-09-13 """ def get_ids(self): req = requests.get(url=self.target, headers=self.headers, verify=False) html = json.loads(req.text) next_page = html['next_page'] for each in html['photos']: self.photos_id.append(each['id']) time.sleep(1) for i in range(4): req = requests.get(url=next_page, headers=self.headers, verify=False) html = json.loads(req.text) next_page = html['next_page'] for each in html['photos']: self.photos_id.append(each['id']) time.sleep(1) """ 函數(shù)說明:圖片下載 Parameters: 無 Returns: 無 Modify: 2017-09-13 """ def download(self, photo_id, filename): headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36'} target = self.download_server.replace('xxx', photo_id) with closing(requests.get(url=target, stream=True, verify = False, headers = self.headers)) as r: with open('%d.jpg' % filename, 'ab+') as f: for chunk in r.iter_content(chunk_size = 1024): if chunk: f.write(chunk) f.flush() if __name__ == '__main__': gp = get_photos() print('獲取圖片連接中:') gp.get_ids() print('圖片下載中:') for i in range(len(gp.photos_id)): print(' 正在下載第%d張圖片' % (i+1)) gp.download(gp.photos_id[i], (i+1))

下載速度還行，有的圖片下載慢是因為圖片太大?？梢钥吹接覀?cè)也打印了一些警報信息，這是因為我們沒有進(jìn)行SSL驗證。

學(xué)會了爬取圖片，簡單的動態(tài)加載的網(wǎng)站也難不倒你了。趕快試試國內(nèi)的一些圖片網(wǎng)站吧！

3. 愛奇藝VIP視頻下載

（1）實戰(zhàn)背景

愛奇藝的VIP視頻只有會員能看，普通用戶只能看前6分鐘。比如加勒比海盜5的URL：http://www.iqiyi.com/v_19rr7qhfg0.html#vfrm=19-9-0-1

我們怎么免費看VIP視頻呢？一個簡單的方法，就是通過旋風(fēng)視頻VIP解析網(wǎng)站。URL：http://api.xfsub.com/

這個網(wǎng)站為我們提供了免費的視頻解析，它的通用解析方式是：

http://api.xfsub.com/index.php?url=[播放地址或視頻id]

比如，對于繡春刀這個電影，我們只需要在瀏覽器地址欄輸入：

http://api.xfsub.com/index.php?url=http://www.iqiyi.com/v_19rr7qhfg0.html#vfrm=19-9-0-1

這樣，我們就可以在線觀看這些VIP視頻了：

但是這個網(wǎng)站只提供了在線解析視頻的功能，沒有提供下載接口，如果想把視頻下載下來，我們就可以利用網(wǎng)絡(luò)爬蟲進(jìn)行抓包，將視頻下載下來。

（2）實戰(zhàn)升級

分析方法相同，我們使用Fiddler進(jìn)行抓包：

我們可以看到，有用的請求并不多，我們逐條分析。我們先看第一個請求返回的信息。

可以看到第一個請求是GET請求，沒有什么有用的信息，繼續(xù)看下一條。

我們看到，第二條GET請求地址變了，并且在返回的信息中，我們看到，這個網(wǎng)頁執(zhí)行了一個POST請求。POST請求是啥呢？它跟GET請求正好相反，GET是從服務(wù)器獲得數(shù)據(jù)，而POST請求是向服務(wù)器發(fā)送數(shù)據(jù)，服務(wù)器再根據(jù)POST請求的參數(shù)，返回相應(yīng)的內(nèi)容。這個POST請求有四個參數(shù)，分別為time、key、url、type。記住這個有用的信息，我們在抓包結(jié)果中，找一下這個請求，看看這個POST請求做了什么。

很顯然，這個就是我們要找的POST請求，我們可以看到POST請求的參數(shù)以及返回的json格式的數(shù)據(jù)。其中url存放的參數(shù)如下：

xfsub_api/url.php?key=02896e4af69fb18f70129b6046d7c718&time=1505724557&url=http%3A%2F%2Fwww.iqiyi.com%2Fv_19rr7qhfg0.html&type=&xml=1

這個信息有轉(zhuǎn)義了，但是沒有關(guān)系，我們手動提取一下，變成如下形式：

xfsub_api/url.php?key=02896e4af69fb18f70129b6046d7c718&time=1505724557&url=http://www.iqiyi.com/v_19rr7qhfg0.html&type=&xml=1

我們已經(jīng)知道了這個解析視頻的服務(wù)器的域名，再把域名加上：

http://api.xfsub.com/xfsub_apiurl.php?key=02896e4af69fb18f70129b6046d7c718&time=1505724557&url=http://www.iqiyi.com/v_19rr7qhfg0.html&type=&xml=1

這里面存放的是什么東西？不會視頻解析后的地址吧？我們有瀏覽器打開這個地址看一下：

果然，我們可以看到視頻地址近在眼前啊，URL如下：

http://disp.titan.mgtv.com/vod.do?fmt=4&pno=1121&fid=1FEA2622E0BD9A1CA625FBE9B5A238A6&file=/c1/2017/09/06_0/1FEA2622E0BD9A1CA625FBE9B5A238A6_20170906_1_1_705.mp4

我們再打開這個視頻地址：

瞧，我們就這樣得到了這個視頻在服務(wù)器上的緩存地址。根據(jù)這個地址，我們就可以輕松下載視頻了。

PS：需要注意一點，這些URL地址，都是有一定時效性的，很快就會失效，因為里面包含時間信息。所以，各位在分析的時候，要根據(jù)自己的URL結(jié)果打開網(wǎng)站才能看到視頻。

接下來，我們的任務(wù)就是編程實現(xiàn)我們所分析的步驟，根據(jù)不同的視頻播放地址獲得視頻存放的地址。

現(xiàn)在梳理一下編程思路：

• 用正則表達(dá)式匹配到key、time、url等信息。

• 根據(jù)匹配的到信息發(fā)POST請求，獲得一個存放視頻信息的url。

• 根據(jù)這個url獲得視頻存放的地址。

• 根據(jù)最終的視頻地址，下載視頻。

（3）編寫代碼

編寫代碼的時候注意一個問題，就是我們需要使用requests.session()保持我們的會話請求。簡單理解就是，在初次訪問服務(wù)器的時候，服務(wù)器會給你分配一個身份證明。我們需要拿著這個身份證去繼續(xù)訪問，如果沒有這個身份證明，服務(wù)器就不會再讓你訪問。這也就是這個服務(wù)器的反爬蟲手段，會驗證用戶的身份。

思路已經(jīng)給出，希望喜歡爬蟲的人可以在運行下代碼之后，自己重頭編寫程序，因為只有經(jīng)過自己分析和測試之后，才能真正明白這些代碼的意義。上述代碼運行結(jié)果如下：

我們已經(jīng)順利獲得了mp4這個視頻文件地址。根據(jù)視頻地址，使用 urllib.request.urlretrieve() 即可將視頻下載下來。編寫代碼如下：

urlretrieve()有三個參數(shù)，第一個url參數(shù)是視頻存放的地址，第二個參數(shù)filename是保存的文件名，最后一個是回調(diào)函數(shù)，它方便我們查看下載進(jìn)度。代碼量不大，很簡單，主要在于分析過程。代碼運行結(jié)果如下：

下載速度挺快的，幾分鐘視頻下載好了。

對于這個程序，感興趣的朋友可以進(jìn)行擴(kuò)展一下，設(shè)計出一個小軟件，根據(jù)用戶提供的url，提供PC在線觀看、手機(jī)在線觀看、視頻下載等功能。

四、總結(jié)

• 爬蟲時效性低，同樣的思路過了一個月，甚至一周可能無法使用，但是爬取思路都是如此，完全可以自行分析。

• 本次實戰(zhàn)代碼，均已上傳我的Github，歡迎Follow、Star：

  https://github.com/Jack-Cherish/python-spider

• 如有問題，請留言。如有錯誤，還望指正，謝謝！