美文网首页程序员
Python之dmzj漫画搜索爬虫(三)

Python之dmzj漫画搜索爬虫(三)

作者: 浅浅的笑意 | 来源:发表于2017-07-15 17:01 被阅读0次

上回我们讲到了dmzj漫画搜索爬虫(二),紧接着上一回的代码,我们继续进行深入的爬取分析,完成对于漫画的图片爬取。



图片爬取

首先,我们以第一话作为分析。如下图所示:

漫画第一话
然后分析它的dom节点,看看漫画的图片具体链接。但是我们尝试右键会发现并不能定位,动漫之家禁止了右键检查功能。于是,我们只能直接按F12强行打开调试功能。随后通过DOM点击定位页面的功能,一步步查看具体的页面。
第一页的图片DOM
虽然我们从图中可以看出第一页的漫画的图片的URL以及它的DOM节点名称(page_1),但是这毕竟是浏览器渲染完成之后的页面。为了验证这个DOM节点是否存在。
搜索DOM
我们尝试在HMTL中搜索图片的DOM节点,但是发现并没有存在,证明了漫画的图片是靠JavaScript在渲染阶段进行动态插入进去的。得出这样的结论后,我们就需要细致分析一下页面渲染的过程。
XHR异步请求
我们打开Network Tab页,然后重新刷新页面,监控整个请求流程。这时,我们假想图片的具体URL是通过Ajax异步请求的,于是打开XHR 过滤,以验证我们的猜想,然后事实证明并不是如此。
根据我以往的简单猜测,一般数据的来源方式,主要有:
  • 异步请求数据(常常为Json数据)
  • 加密混淆过藏在HTML文件中
  • 其他暂时没接触过
可疑的JavaScript代码 可疑的eval函数

首先,我们在next_pages中看到了下页图片的URL,为了简单起见,就不验证了。有兴趣的小伙伴可以去看看,确实是下一页的图片URL。这里我们主要关注的是var arr_pages = eval(pages);,其中的pages变量让人在意。

可疑的eval代码片段

在蓝色部分,我们比较在意的就是这个eval里面的东西,明显可以看出里面的内容是经过混淆过的。我们通过代码整理,并稍作更改,让eval的结果可以呈现出来。

更改和整理后的代码 放到Console中的运行结果

然后我们就可以清晰的看到了pages变量的具体数据内容。可能数据还不太清楚,我们将第一条提取出来,和DOM节点中的数据进行对比。

结果对比
发现其中的数据一模一样,pages中只是少了标准的HTTP前缀而已。因此,我们的目标很明显了,就是获取其中的pages变量。那么如何获取呢,这就要靠Python中的execjs库了(可能还有其他方式,但是为了简便,就直接采用这个库)。

execjs采用pip install pyexecjs安装。
为了减少请求,我们使用上一节json结果文件来进行最后一步的请求。

代码

# -*- coding: utf-8 -*-

import requests
import json
from lxml import etree
import execjs
import os
import click

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36',
    'Referer': 'http://www.dmzj.com/category'
}

PREIX = 'http://images.dmzj.com/'


def get_request(info):
    response = requests.get(info['href'], headers=headers)
    try:
        html = etree.HTML(response.content)
        script_content = html.xpath('//script[1]/text()')[0]
        vars = script_content.strip().split('\n')
        parse_str = vars[2].strip()  # 取到eval()
        parse_str = parse_str.replace('function(p,a,c,k,e,d)', 'function fun(p, a, c, k, e, d)')
        parse_str = parse_str.replace('eval(', '')[:-1]  # 去除eval
        fun = """
                function run(){
                    var result = %s;
                    return result;
                }
            """ % parse_str  # 构造函数调用产生pages变量结果
        pages = execjs.compile(fun).call('run')
        url_list = []       
        if 'shtml' in response.request.url:
            datas = pages.split('=')[2][1:-2]  # json数据块 var pages=pages=[]
            url_list = json.JSONDecoder().decode(datas)  # 解码json数据
        elif 'html' in response.request.url:
            datas = pages.split('=')[1][1:-2]  # var pages={}
            url_list = json.JSONDecoder().decode(datas)['page_url'].split('\r\n')
        headers['Referer'] = info['href']
        if not os.path.exists('./downloads'):
            os.mkdir('./downloads')
        for index, url in enumerate(url_list):
            img = requests.get(PREIX + url, headers=headers)
            import time
            time.sleep(1)  # 等待一些时间,防止请求过快
            click.echo(PREIX + url)
            with open('./downloads/%s.jpg' % index, mode='wb') as fp:
                fp.write(img.content)
            click.echo('save %s.jpg' % index)
        click.echo('complete!')
    except Exception as e:
        raise e

if __name__ == '__main__':
    info = None
    f = open('./details.json', mode='r', encoding='utf-8')
    info = json.load(f)
    info = {
      "title": "第一次的Gal-第01话",
      "href": "http://manhua.dmzj.com/diyicidegal/50354.shtml"
    }
    info = { "title": "妹妹消失的第一百天-46话", "href": "http://www.dmzj.com/view/meimeixiaoshihoudediyibaitian/70394.html"} 
    # 以第一页请求为例子
    get_request(info)

好了!这一期就完了,下一期可能写点其他的东西了!!欢迎大家来阅读,哈哈~~
最后奉上自己差劲的Github以及个人的hexo网站Kyoto Animation,欢迎大家交流,这一期的所有代码都在文中,就不上传了。

相关文章

网友评论

    本文标题:Python之dmzj漫画搜索爬虫(三)

    本文链接:https://www.haomeiwen.com/subject/tzmahxtx.html