簡介 今天玩點新鮮的，使用一個新庫 ，利用它提高咱爬蟲的爬取速度。 安裝模塊常規套路 pip install aiohttp 運行之後等待，安裝完畢，想要深造，那麼官方文檔必備 ： "https://aiohttp.readthedocs.io/en/stable/" 接下來就可以開始寫代碼了。 我 ...
簡介
今天玩點新鮮的，使用一個新庫 aiohttp ，利用它提高咱爬蟲的爬取速度。
安裝模塊常規套路
pip install aiohttp運行之後等待，安裝完畢，想要深造，那麼官方文檔必備 ：https://aiohttp.readthedocs.io/en/stable/
接下來就可以開始寫代碼了。
我們要爬取的頁面，這一次選取的是
http://bbs.fengniao.com/forum/forum_101_1_lastpost.html打開頁面，我們很容易就獲取到了頁碼
好久沒有這麼方便的看到頁碼了。
嘗試用
aiohttp 訪問這個頁面吧，模塊的引入，沒有什麼特殊的，採用 import 即可如果我們需要 使用
Asyncio + Aiohttp非同步IO 編寫爬蟲，那麼需要註意，你需要非同步的方法前面加上async
接下來，先嘗試去獲取一下上面那個地址的網頁源碼。
代碼中，先聲明一個fetch_img_url的函數，同時攜帶一個參數，這個參數也可以直接寫死。
with 上下文不在提示，自行搜索相關資料即可 (｀・ω・´)
aiohttp.ClientSession() as session: 創建一個session對象，然後用該session對象去打開網頁。session可以進行多項操作，比如post, get, put等
代碼中 await response.text() 等待網頁數據返回
asyncio.get_event_loop創建線程，run_until_complete方法負責安排執行 tasks中的任務。tasks可以為單獨的函數，也可以是列表。
import aiohttp
import asyncio
async def fetch_img_url(num):
url = f'http://bbs.fengniao.com/forum/forum_101_{num}_lastpost.html' # 字元串拼接
# 或者直接寫成 url = 'http://bbs.fengniao.com/forum/forum_101_1_lastpost.html'
print(url)
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6726.400 QQBrowser/10.2.2265.400',
}
async with aiohttp.ClientSession() as session:
# 獲取輪播圖地址
async with session.get(url,headers=headers) as response:
try:
html = await response.text() # 獲取到網頁源碼
print(html)
except Exception as e:
print("基本錯誤")
print(e)
# 這部分你可以直接臨摹
loop = asyncio.get_event_loop()
tasks = asyncio.ensure_future(fetch_img_url(1))
results = loop.run_until_complete(tasks)
上面代碼最後一部分也可以寫成
loop = asyncio.get_event_loop()
tasks = [fetch_img_url(1)]
results = loop.run_until_complete(asyncio.wait(tasks))好了，如果你已經成果的獲取到了源碼，那麼距離最終的目的就差那麼一丟丟了。
修改代碼為批量獲取10頁。
只需要修改tasks即可,在此運行，看到如下結果
tasks = [fetch_img_url(num) for num in range(1, 10)]下麵的一系列操作和上一篇博客非常類似，找規律。
隨便打開一個頁面
http://bbs.fengniao.com/forum/forum_101_4_lastpost.html點擊一張圖片，進入內頁，在點擊內頁的一張圖片，進入到一個輪播頁面
再次點擊進入圖片播放頁面
最後我們在圖片播放頁面，找到源碼中發現了所有的圖片鏈接，那麼問題出來了，如何從上面的第一個鏈接，轉變成輪播圖的鏈接？？？
下麵的源碼是在 http://bbs.fengniao.com/forum/pic/slide_101_10408464_89383854.html 右鍵查看源碼。
繼續分析吧~~~~ ヾ(=･ω･=)o
http://bbs.fengniao.com/forum/forum_101_4_lastpost.html
轉變成下麵的鏈接？
http://bbs.fengniao.com/forum/pic/slide_101_10408464_89383854.html繼續看第一個鏈接，我們使用F12開發者工具，去抓取一個圖片看看。
圖片中標黃色框的位置，發現了我們想要的數字，那麼好了，我們只需要通過正則表達式把他們匹配出來就好了。
代碼在下麵####的位置，需要註意的是，我採用的原始的正則匹配，在編寫正則表達式的過程中，我發現一步竟然沒有完整匹配，只能分成兩個步驟了，你可以看一下具體的細節o(╥﹏╥)o
- 查找所有的圖片
<div class="picList"> - 獲取我們想要的兩部分數字
async def fetch_img_url(num):
url = f'http://bbs.fengniao.com/forum/forum_101_{num}_lastpost.html'
print(url)
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6726.400 QQBrowser/10.2.2265.400',
}
async with aiohttp.ClientSession() as session:
# 獲取輪播圖地址
async with session.get(url,headers=headers) as response:
try:
###############################################
url_format = "http://bbs.fengniao.com/forum/pic/slide_101_{0}_{1}.html"
html = await response.text() # 獲取到網頁源碼
pattern = re.compile('<div class="picList">([\s\S.]*?)</div>')
first_match = pattern.findall(html)
href_pattern = re.compile('href="/forum/(\d+?)_p(\d+?)\.html')
urls = [url_format.format(href_pattern.search(url).group(1), href_pattern.search(url).group(2)) for url in first_match]
##############################################
except Exception as e:
print("基本錯誤")
print(e)
代碼完成，我們已經獲取到，我們想要的URL了，下麵繼續讀取URL內部信息，然後匹配我們想要的圖片鏈接
async def fetch_img_url(num):
# 去抄上面的代碼
async with aiohttp.ClientSession() as session:
# 獲取輪播圖地址
async with session.get(url,headers=headers) as response:
try:
#去抄上面的代碼去吧
################################################################
for img_slider in urls:
try:
async with session.get(img_slider, headers=headers) as slider:
slider_html = await slider.text() # 獲取到網頁源碼
try:
pic_list_pattern = re.compile('var picList = \[(.*)?\];')
pic_list = "[{}]".format(pic_list_pattern.search(slider_html).group(1))
pic_json = json.loads(pic_list) # 圖片列表已經拿到
print(pic_json)
except Exception as e:
print("代碼調試錯誤")
print(pic_list)
print("*"*100)
print(e)
except Exception as e:
print("獲取圖片列表錯誤")
print(img_slider)
print(e)
continue
################################################################
print("{}已經操作完畢".format(url))
except Exception as e:
print("基本錯誤")
print(e)圖片最終的JSON已經拿到，最後一步，下載圖片，噹噹當~~~~，一頓迅猛的操作之後，圖片就拿下來了
async def fetch_img_url(num):
# 代碼去上面找
async with aiohttp.ClientSession() as session:
# 獲取輪播圖地址
async with session.get(url,headers=headers) as response:
try:
# 代碼去上面找
for img_slider in urls:
try:
async with session.get(img_slider, headers=headers) as slider:
# 代碼去上面找
##########################################################
for img in pic_json:
try:
img = img["downloadPic"]
async with session.get(img, headers=headers) as img_res:
imgcode = await img_res.read() # 圖片讀取
with open("images/{}".format(img.split('/')[-1]), 'wb') as f:
f.write(imgcode)
f.close()
except Exception as e:
print("圖片下載錯誤")
print(e)
continue
###############################################################
except Exception as e:
print("獲取圖片列表錯誤")
print(img_slider)
print(e)
continue
print("{}已經操作完畢".format(url))
except Exception as e:
print("基本錯誤")
print(e)
圖片會在你提前寫好的images文件夾裡面快速的生成
tasks最多可以開1024協程，但是建議你開100個就OK了，太多併發，人家伺服器吃不消。
以上操作執行完畢，在添加一些細節，比如保存到指定文件夾，就OK了。
