python爬虫 爬取妹子图

不爬妹子图的爬虫不是一只好爬虫。 ----鲁迅

主页网址唯一图库
直接点到末页，852页。。

image.png

右键点击一个图片链接，选择审查元素

image.png

这里的img是就封面，如果只抓取封面的话，到这就可以了，但是我们取的是所有图片，所以这里我们获取的是这个详情页的a链接：http://www.mmonly.cc/mmtp/xgmn/181603.html，这就是第一个图集的链接，然后每页有24个图集。一共852页，我们点击下一页查看下网址变化，http://www.mmonly.cc/mmtp/list_9_2.html,页数变成2，所以我们这里直接循环，然后获取每一页上的图集a链接：

import requests
from lxml import html
for page in range(1,852):
    url='http://www.mmonly.cc/mmtp/list_9_%s.html'%page
    response=requests.get(url,verify=False).text
    selector=html.fromstring(response)
    imgEle=selector.xpath('//div[@class="ABox"]/a')
    for img in imgEle:
        imgUrl=img.xpath('@href')[0]
        print(imgUrl)

这样，我们就获取到了所有的主要链接，每页24个，2w+个。
这里用的是xpath。
然后我们点开一个链接，看一下详情页，发现网址没有变化，点下一页，同样的是网址后面加了页数：http://www.mmonly.cc/mmtp/xgmn/181603_2.html，有点区别的地方就是我们不知道每个图集有多少页，所以这里再单独获取一下，同样的右击审查元素。

image.png

    for img in imgEle:
        imgUrl=img.xpath('@href')[0]
        response=requests.get(imgUrl,verify=False).text
        selector = html.fromstring(response)
        pageEle = selector.xpath('//div[@class="wrapper clearfix imgtitle"]/h1/span/span[2]/text()')[0]
        print(pageEle)

这里我们如愿获取到15。
之后就是访问每一页，获取高清大图了，以及图片的保存。
完整代码如下：(这里我图片命名是第几页第几个图集的第几张图片，所以看着有些乱)
urllib.request.urlretrieve（url,path）简单下载图片，参数为图片链接和下载的本地路径。

# -*- coding: utf-8 -*-
# @Time    : 2019/2/26 18:00
# @Author  : Liangjianghao
# @Email   : 1084933098@qq.com
# @Software: PyCharm
import os
import urllib
import requests
from lxml import html
import time
from requests.packages.urllib3.exceptions import InsecureRequestWarning
# 禁用安全请求警告
requests.packages.urllib3.disable_warnings(InsecureRequestWarning)

os.mkdir('meizi')#第一次运行新建meizi文件夹，手动建可以注释掉

for page in range(1,852):
    url='http://www.mmonly.cc/mmtp/list_9_%s.html'%page
    print(url)
    response=requests.get(url,verify=False).text

    selector=html.fromstring(response)
    imgEle=selector.xpath('//div[@class="ABox"]/a')
    print(len(imgEle))
    for index,img in enumerate(imgEle):
        imgUrl=img.xpath('@href')[0]
        response=requests.get(imgUrl,verify=False).text
        selector = html.fromstring(response)
        pageEle = selector.xpath('//div[@class="wrapper clearfix imgtitle"]/h1/span/span[2]/text()')[0]
        print(pageEle)
        imgE=selector.xpath('//a[@class="down-btn"]/@href')[0]

        imgName = '%s_%s_1.jpg' % (page,str(index+1))
        coverPath = '%s/meizi/%s' % (os.getcwd(), imgName)
        urllib.request.urlretrieve(imgE, coverPath)

        for page_2 in range(2,int(pageEle)+1):
            url=imgUrl.replace('.html', '_%s.html' % str(page_2))
            response = requests.get(url).text
            selector = html.fromstring(response)
            imgEle = selector.xpath('//a[@class="down-btn"]/@href')[0]
            print(imgEle)
            imgName='%s_%s_%s.jpg'%(page,str(index+1),page_2)
            coverPath = '%s/meizi/%s' % (os.getcwd(), imgName)
            urllib.request.urlretrieve(imgEle, coverPath)
    time.sleep(2)

这个网站没有什么反爬虫措施，为避免服务器压力过大，在每次循环后面加了休眠2秒。
成果图如下：

image.png