文章目录
- 一、爬取目标
- 二、实现效果
- 三、准备工作
- 四、代理IP
- 4.1 代理IP是什么？
- 4.2 代理IP的好处？
- 4.3 获取代理IP
- 4.4 Python获取代理IP
- 五、代理实战
- 5.1 导入模块
- 5.2 设置翻页
- 5.3 获取图片链接
- 5.4 下载图片
- 5.5 调用主函数
- 5.6 完整源码
- 5.7 免费代理不够用怎么办？
- 六、总结
一、爬取目标
本次爬取的目标是某网站4K高清小姐姐图片：
二、实现效果
实现批量下载指定关键词的图片，存放到指定文件夹中：
三、准备工作
Python：3.10
编辑器：PyCharm
第三方模块，自行安装：
pip install requests # 网页数据爬取
pip install lxml # 提取网页数据
四、代理IP
4.1 代理IP是什么？
代理IP是一种安全功能，可以充当网络中间平台，使得用户电脑可以先访问代理IP，然后由代理IP访问目标网站页面，从而起到防火墙的作用。代理IP具有多种类型，包括HTTP代理、HTTPS代理、SOCKS代理等，分别适用于不同的网络通信需求。使用代理IP可以提高访问速度、保护隐私信息、突破下载限制以及作为防火墙保护网络安全。
4.2 代理IP的好处？
使用代理IP的好处有以下几个方面：
-
隐藏真实IP地址：使用代理IP可以将您的真实IP地址隐藏起来，确保您的在线活动更加匿名和隐私保护。这对于保护个人隐私和防止追踪非常重要。
-
绕过网络限制：有些地区或网络环境可能存在访问限制，如某些网站、社交媒体平台或在线服务被屏蔽。通过使用代理IP，可以绕过这些限制，访问被封锁的内容或服务。
-
提高访问速度：代理IP可以缓存和压缩网络数据，从而提高网页加载速度和下载速度。这对于访问速度较慢的网站或在网络拥堵时特别有用。
-
数据采集和爬虫应用：代理IP可以用于数据采集和爬虫应用，通过使用不同的代理IP地址，可以避免被目标网站识别和封禁，从而更好地进行数据采集和爬虫操作。
-
地理位置伪装：有时候需要在网站或应用中模拟不同的地理位置，以获取特定的服务或信息。使用代理IP可以实现地理位置的伪装，使网站或应用认为您位于不同的地理位置。
4.3 获取代理IP
博主最近写爬虫，发现了一款不错的代理IP，响度速度快，代理质量高，有免费试用也有超值套餐：云立方代理IP
1、打开云立方的官网，点击代理IP：http://www.yunlifang.cn/dailiIP.asp
2、我们这里免费试用，测试一下效果：
3、然后找客服说明免费试用一下，说明需要代理IP的时长、数量等信息：
然后客服给我们账号密码，请求地址和端口号：
接下来就是使用Python去获取代理IP。
4.4 Python获取代理IP
我们用Python获取代理IP，注意将代码中的账号、密码、地址、端口替换为刚才客服给的账号信息：
def get_ip():"""获取代理IP"""# 这里替换为刚才客服给的账号信息proxyUser = "你的账号" # 账户proxyPass = "你的密码" # 密码proxyHost = "你的地址" # 地址proxyPort = "你的端口号" # 端口proxyMeta = f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}"proxies = {"http": proxyMeta,"https": proxyMeta}print(proxies)return proxiesget_ip()
这里我用的隧道代理IP（隧道代理IP：是指下面那个账号链接每次去访问网页就会自动切换IP）：
五、代理实战
5.1 导入模块
import requests # python基础爬虫库
from lxml import etree # 可以将网页转换为Elements对象
import time # 防止爬取过快可以睡眠一秒
import os # 创建文件
5.2 设置翻页
首先我们来分析一下网站的翻页，一共有62页：
第一页链接：
https://pic.netbian.com/4kmeinv/index.html
第二页链接：
https://pic.netbian.com/4kmeinv/index_2.html
第三页链接：
https://pic.netbian.com/4kmeinv/index_3.html
可以看出每页只有index后面从第二页开始依次加上_页码，所以用循环来构造所有网页链接：
if __name__ == '__main__':# 页码page_number = 1# 循环构建每页的链接for i in range(1,page_number+1):# 第一页固定，后面页数拼接if i ==1:url = 'https://pic.netbian.com/4kmeinv/index.html'else:url = f'https://pic.netbian.com/4kmeinv/index_{i}.html'
5.3 获取图片链接
可以看到所有图片url都在 ul标签 > a标签 > img标签下：
我们创建一个get_imgurl_list(url)函数传入网页链接获取 网页源码，用xpath定位到每个图片的链接：
def get_imgurl_list(url,imgurl_list):"""获取图片链接"""# 请求头headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}# 发送请求response = requests.get(url=url, headers=headers)# 获取网页源码html_str = response.text# 将html字符串转换为etree对象方便后面使用xpath进行解析html_data = etree.HTML(html_str)# 利用xpath取到所有的li标签li_list = html_data.xpath("//ul[@class='clearfix']/li")# 打印一下li标签个数看是否和一页的电影个数对得上print(len(li_list)) # 输出20，没有问题for li in li_list:imgurl = li.xpath(".//a/img/@src")[0]# 拼接urlimgurl = 'https://pic.netbian.com' +imgurlprint(imgurl)# 写入列表imgurl_list.append(imgurl)
运行结果：
点开一个图片链接看看：
OK没问题!!!
5.4 下载图片
图片链接有了，代理IP也有了，下面我们就可以下载图片。定义一个get_down_img(img_url_list)函数，传入图片链接列表，然后遍历列表，每下载一个图片切换一次代理，将所有图片下载到指定文件夹：
def get_down_img(imgurl_list):# 在当前路径下生成存储图片的文件夹os.mkdir("小姐姐")# 定义图片编号n = 0for img_url in imgurl_list:headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}# 调用get_ip函数，获取代理IPproxies = get_ip()# 每次发送请求换代理IP，获取图片，防止被封img_data = requests.get(url=img_url, headers=headers, proxies=proxies).content# 拼接图片存放地址和名字img_path = './小姐姐/' + str(n) + '.jpg'# 将图片写入指定位置with open(img_path, 'wb') as f:f.write(img_data)# 图片编号递增n = n + 1
5.5 调用主函数
这里我们可以设置需要爬取的页码：
if __name__ == '__main__':# 1. 设置获取的页数page_number = 63imgurl_list = [] # 用于存储所有的图片链接# 2. 循环构建每页的链接for i in range(1,page_number+1):# 第一页固定，后面页数拼接if i ==1:url = 'https://pic.netbian.com/4kmeinv/index.html'else:url = f'https://pic.netbian.com/4kmeinv/index_{i}.html'# 3. 获取图片链接get_imgurl_list(url,imgurl_list)# 4. 下载图片get_down_img(imgurl_list)
5.6 完整源码
注意将get_ip()函数代码中的账号、密码、地址、端口替换为刚才客服给的账号信息
import requests # python基础爬虫库
from lxml import etree # 可以将网页转换为Elements对象
import time # 防止爬取过快可以睡眠一秒
import osdef get_ip():"""获取代理IP"""# 这里替换为刚才客服给的信息代理服务器proxyUser = "你的账号" # 账户proxyPass = "你的密码" # 密码proxyHost = "你的地址" # 地址proxyPort = "你的端口号" # 端口proxyMeta = f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}"proxies = {"http": proxyMeta,"https": proxyMeta}print(proxies)return proxiesdef get_imgurl_list(url,imgurl_list):"""获取图片链接"""# 请求头headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}# 发送请求response = requests.get(url=url, headers=headers)# 获取网页源码html_str = response.text# 将html字符串转换为etree对象方便后面使用xpath进行解析html_data = etree.HTML(html_str)# 利用xpath取到所有的li标签li_list = html_data.xpath("//ul[@class='clearfix']/li")# 打印一下li标签个数看是否和一页的电影个数对得上print(len(li_list)) # 输出20，没有问题for li in li_list:imgurl = li.xpath(".//a/img/@src")[0]# 拼接urlimgurl = 'https://pic.netbian.com' +imgurlprint(imgurl)# 写入列表imgurl_list.append(imgurl)def get_down_img(imgurl_list):# 在当前路径下生成存储图片的文件夹os.mkdir("小姐姐")# 定义图片编号n = 0for img_url in imgurl_list:headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'}# 调用get_ip函数，获取代理IPproxies = get_ip()# 每次发送请求换代理IP，获取图片，防止被封img_data = requests.get(url=img_url, headers=headers, proxies=proxies).content# 拼接图片存放地址和名字img_path = './小姐姐/' + str(n) + '.jpg'# 将图片写入指定位置with open(img_path, 'wb') as f:f.write(img_data)# 图片编号递增n = n + 1if __name__ == '__main__':# 1. 设置获取的页数page_number = 50imgurl_list = [] # 用于存储所有的图片链接# 2. 循环构建每页的链接for i in range(1,page_number+1):# 第一页固定，后面页数拼接if i ==1:url = 'https://pic.netbian.com/4kmeinv/index.html'else:url = f'https://pic.netbian.com/4kmeinv/index_{i}.html'# 3. 获取图片链接get_imgurl_list(url,imgurl_list)# 4. 下载图片get_down_img(imgurl_list)
运行结果：
下载成功了没有报错，代理IP的质量还是不错的！！！
5.7 免费代理不够用怎么办？
免费的代理不够用可以看看云立方家的套餐还是蛮便宜的：http://www.yunlifang.cn/dailiIP.asp
六、总结
代理IP对于爬虫是密不可分的，代理IP可以帮助爬虫隐藏真实IP地址，有需要代理IP的小伙伴可以试试云立方家的代理IP：云立方代理IP
