写在前面
今天在CSDN博客，发现好多人写爬虫都在爬取一个叫做斗图啦的网站，里面很多表情包，然后瞅了瞅，各种实现方式都有，今天我给你实现一个多线程版本的。关键技术点 aiohttp ，你可以看一下我前面的文章，然后在学习一下。
网站就不分析了，无非就是找到规律，拼接URL，匹配关键点，然后爬取。
https://github.com/wangdezhen/spide
撸代码
首先快速的导入我们需要的模块，和其他文章不同，我把相同的表情都放在了同一个文件夹下面，所以需要导入os模块
importasyncioimportaiohttpfromlxmlimportetreeimportos
编写主要的入口方法
if__name__== '__main__':url_format="http://www.doutula.com/article/list/?page={}"urls= [url_format.format(index) for indexinrange(1,586)]loop= asyncio.get_event_loop()tasks= [x_get_face(url) for urlinurls]results= loop.run_until_complete(asyncio.wait(tasks))
我们是为了学习，不是为了攻击别人服务器，所以限制一下并发数量
sema = asyncio.Semaphore(3)asyncdefx_get_face(url):with(awaitsema):awaitget_face(url)
最后，一顿操作猛如虎，把所有的代码补全，就搞定了，这部分没有什么特别新鲜的地方，找图片链接，然后下载。
headers = {"user-agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"}asyncdefget_face(url):print("正在操作{}".format(url))asyncwithaiohttp.ClientSession()ass:asyncwiths.get(url,headers=headers,timeout=5)asres:ifres.status==200: html =awaitres.text() html_format = etree.HTML(html) hrefs = html_format.xpath("//a[@class='list-group-item random_list']")forlinkinhrefs: url = link.get("href") title = link.xpath("div[@class='random_title']/text()")[0]# 获取文件头部path ='./biaoqings/{}'.format(title.strip())# 硬编码了，你要先在项目根目录创建一个biaoqings的文件夹ifnotos.path.exists(path): os.mkdir(path)else:passasyncwiths.get(url, headers=headers, timeout=3)asres:ifres.status ==200: new_html =awaitres.text() new_html_format = etree.HTML(new_html) imgs = new_html_format.xpath("//div[@class='artile_des']")forimginimgs:try: img = img.xpath("table//img")[0] img_down_url = img.get("src") img_title = img.get("alt")exceptExceptionase: print(e)asyncwiths.get(img_down_url, timeout=3)asres: img_data =awaitres.read()try:withopen("{}/{}.{}".format(path,img_title.replace('\r\n',""),img_down_url.split('.')[-1]),"wb+")asfile: file.write(img_data)exceptExceptionase: print(e)else:passelse: print("网页访问失败")
等着，大量的表情包就来到了我的碗里。
网友评论