学了一周多的爬虫课后终于按捺不住了，小编决定自己手动编写爬虫程序，刚好LJ在鼓励学员分享成果，优秀作品有奖励，就把自己用Python编程爬取各大游戏高清壁纸的过程整理了出来进行投稿，与大家一起分享。
爬取了当前比较火的游戏壁纸，MOBA游戏《英雄联盟》，手游《王者荣耀》、《阴阳师》，FPS游戏《绝地求生》，其中《英雄联盟》的壁纸最难爬取，这里展示爬取《英雄联盟》全部英雄壁纸的过程，学会了这个，自己再去爬取其他游戏壁纸也就不成问题啦。
先看一下最终爬取的效果，每个英雄的壁纸都被爬取下来了：
image
“黑暗之女 安妮”的12张壁纸：
image
高清大图：
image
下面开始正式教学！
版本：Python 3.5
工具：Jupyter notebook实现各个环节，最终整合成LOL_scrawl.py文件
1.了解爬取对象，设计爬取流程
在使用爬虫前，先花一定时间对爬取对象进行了解，是非常有必要的，这样可以帮助我们科学合理地设计爬取流程，以避开爬取难点，节约时间。
1.1英雄基本信息
打开英雄联盟官网，看到所有英雄的信息：
image
若要爬取全部英雄，我们先要获取这些英雄的信息，在网页上“右击——检查——Elements”，就能在看到英雄的信息了，如下图所示，包括英雄昵称、英雄名称、英文名等等。由于这些信息是使用JavaScript动态加载的，普通爬取方法无法获取，我们考虑使用虚拟浏览器PhantomJS来获取这些信息。
image
我们点击进入“暗黑之女 安妮”的页面，页面地址为
image
，地址中的“Annie”是这个英雄的英文名，若要访问其他英雄界面，只需要更改英文名就可以了。
image
在英雄页面上，通过点击略缩图可以切换到不同的皮肤大图，在大图上“右击——在新标签页中打开图片”，就能打开大图，这就是我们要的高清壁纸：
image
观察上图的地址信息，再打开其他几张安妮的皮肤壁纸来查看，发现不同壁纸仅在图片编号上有差别：
image
再观察英雄“盲僧 李青”的壁纸地址：
image
再观察英雄“卡牌大师 崔斯特”的壁纸地址：
image
可以总结出这样一条规则：壁纸地址由三部分组成，固定地址+英雄id+壁纸编号。
固定地址：
image
英雄id：安妮的id是1，李青的id是64，崔斯特的是40，我们还需要找到所有英雄的id
壁纸编号：壁纸编号从000开始，001、002、003...，根据不同英雄的皮肤数量而不同，目前每个英雄壁纸都不超过20个，也就是最多编到020
1.2英雄ID
在上面的过程中，我们已经基本了解了要爬取对象的信息了，但每一个英雄的id是多少却还不知道，在网页源代码和用JavaScript加载后都找不到英雄和id的对应信息，猜测这个信息可能是放在某个js文件里，我们来找一找。
在所有英雄信息界面“右键——检查——Network”，再刷新一下界面，可以找到一个champion.js文件：
image
打开champion.js文件，发现里面就存着我们需要的信息，英雄英文名与英雄id一一对应：
image
1.3爬虫流程图
至此对我们要爬取的对象已经有了一定的了解，对于具体爬取方法也有了想法，我们可以设计如下爬虫流程图：
image
2.设计代码整体框架
根据爬虫流程图，我们可以设计如下代码框架：
class LOL_scrawl:
def __init__(self): #构造函数
pass
def get_info(self): #输入爬取英雄名称、昵称或All
pass
def create_lolfile(self): #在当前目录下创建文件夹LOL
pass
def get_heroframe(self): #获取官网上所有英雄信息
pass
def get_image(self,heroid,heroframe): #爬取英雄信息
pass
def run(self):
self.create_lolfile() #创建LOL文件夹
inputcontent = self.get_info() #获得键盘输入信息
heroframe = self.get_heroframe() #获得所有英雄信息
print('已获取英雄信息存于heroframe.csv,马上开始爬取壁纸...\n')
if inputcontent.lower() == 'all': #当输入all时，爬取全部英雄壁纸
pass
else: #否则爬取单个英雄壁纸
passif __name__ == '__main__':
lolscr = LOL_scrawl() #创建对象
lolscr.run() #运行爬虫
这个代码框架非常容易读懂，主要就是run()函数，run()函数完成了这样一套工作：创建LOL文件夹——获得键盘输入的信息——若信息为“All”则爬取全部英雄壁纸，否则爬取单个英雄壁纸。
在爬取所有或者单个英雄壁纸时，由于可能因为网络不稳定等因素导致爬取失败，因此我们要使用try-except来处理爬取壁纸时的代码：
if inputcontent.lower() == 'all': #当输入all时，爬取全部英雄壁纸
try: allline=len(heroframe) for i in range(1,allline):
heroid=heroframe['heroid'][[i]].values[:][0]
self.get_image(heroid,heroframe)
print('完成全部爬取任务！\n') except:
print('爬取失败或部分失败，请检查错误')
else: #否则爬取单个英雄壁纸
try: hero=inputcontent.strip()
line = heroframe[(heroframe.heronickname==hero) | (heroframe.heroname==hero)].index.tolist()#找到所查英雄在dataframe中所在的行
heroid=heroframe['heroid'][line].values[:][0] #得到英雄id
self.get_image(heroid,heroframe)
print('完成全部爬取任务！\n') except: print('错误！请按照提示正确输入！\n')
至此已经打好了爬虫框架，下面对爬取过程中最核心的两个代码进行解释：get_heroframe()与get_image(heroid,heroframe)。
3.爬取所有英雄信息
3.1解析js文件
首先我们要解析champion.js文件，得到英雄英文名与id的一一对应关系。使用urllib.request打开文件地址，读取内容并当作字符串处理，解析内容并转为字典{key:value}，key为英文名，value为英雄id：
import urllib.request as urlrequest#获取英雄英文名及id，生成字典
herodict{Englishname:id}content=urlrequest.urlopen('http://lol.qq.com/biz/hero/champion.js').read()str1=r'champion={"keys":'str2=r',"data":{"Aatrox":'champion=str(content).split(str1)[1].split(str2)[0]herodict0=eval(champion) herodict = dict((k, v) for v, k in herodict0.items())#字典中的key和value互换print(herodict)
得到字典herodict{Englishname: id}如下：
{'Soraka': '16', 'Akali': '84', 'Skarner': '72', 'Tristana': '18', 'Zilean': '26', 'JarvanIV': '59', 'Varus': '110', 'Talon': '91',
...
'Ashe': '22', 'Malphite':'54','Nocturne':'56','Khazix':'121'}
3.2 Selenium+PhantomJS实现动态加载
对于官网网站上的所有英雄信息页面，由于是用JavaScript加载出来的，普通方法并不好爬取，我们使用Selenium+PhantomJS的方法来动态加载英雄信息。Selenium 是自动化测试工具,它支持Chrome、Safari、Firefox 等浏览器驱动，在使用前先需要安装selenium模块。而PhantomJS是一个虚拟浏览器，它没有界面，但它的dom渲染、js运行、网络访问、canvas/svg绘制等功能都很完备，在页面抓取、页面输出、自动化测试等方面有广泛的应用。PhantomJS可以在官方网站上下载。
我们使用Selenium+PhantomJS的方法来动态加载英雄信息，使用BeautifulSoup获取网址页面内容：
from selenium import webdriver
import time
from bs4 import BeautifulSoup
#英雄联盟官网上所有英雄所在的网址
url_Allhero='http://lol.qq.com/web201310/info-heros.shtml#Navi'
#使用无头浏览器PhantomJS打开网址，解决JavaScript动态加载问题
driver=webdriver.PhantomJS(executable_path=r'D:\phantomjs-2.1.1-windows\bin\phantomjs')
#executable_path为PhantomJS的安装位置
driver.get(url_Allhero)time.sleep(1)
#暂停执行1秒，确保页面加载出来
#使用BeautifulSoup获取网址页面内容
pageSource=driver.page_sourcedriver.close()bsObj=BeautifulSoup(pageSource,"lxml")
得到页面内容后，使用BeautifulSoup对页面内容进行解析，将英雄昵称、名称、id等信息存入heroframe中：
#使用BeautifulSoup解析页面内容，得到英雄信息表
heroframeherolist=bsObj.findAll('ul',{'class':'imgtextlist'})
for hero in herolist:
n=len(hero)
m=0
heroframe=pd.DataFrame(index=range(0,n), columns=['herolink','heronickname','heroname','Englishname','heroid']) heroinflist=hero.findAll('a')
#抽取该英雄信息的超链接部分
for heroinf in heroinflist:
#对于英雄信息的超链接部分
herolink=heroinf['href']
eronickname=heroinf['title'].split(' ')[0].strip() heroname=heroinf['title'].split(' ')[1].strip() heroframe['herolink'][m]=herolink heroframe['heronickname'][m]=heronickname heroframe['heroname'][m]=heroname heroframe['Englishname'][m]=heroframe['herolink'][m][21:] heroframe['heroid'][m]=herodict[heroframe['Englishname'][m]]
m=m+1
heroframe.to_csv('./LOL/heroframe.csv',encoding='gbk',index=False)
至此，get_heroframe()函数实现了爬取所有英雄的信息，并存放在heroframe.csv文件中，如下所示：
4.爬取英雄壁纸
得到每一个英雄的信息后，我们就可以开始愉快的爬取它们的壁纸啦~定义get_image(heroid,heroframe)函数，用于爬取单个英雄的全部壁纸。
首先在LOL文件夹中建立该英雄的子文件夹：
#创建存放该英雄壁纸的文件夹
line = heroframe[heroframe.heroid == heroid].index.tolist()
#找到所查英雄在dataframe中所在的行
nickname=heroframe['heronickname'][line].valuesname=heroframe['heroname'][line].valuesnickname_name=str((nickname +' '+ name)[0][:])filehero='.\LOL'+'\\'+nickname_name if not os.path.exists(filehero): os.makedirs(filehero)
然后就可以爬取这个英雄的壁纸了。由于每个英雄壁纸都不超过20张，我们使用一个20以内的循环就能爬取到所有壁纸了：
#爬取多张壁纸for k in range(21):
#生成一张壁纸的地址
url='http://ossweb-img.qq.com/images/lol/web201310/skin/big'+str(heroid)+'0'*(3-len(str(k)))+str(k)+'.jpg'
#爬取一张壁纸
try: image=urlrequest.urlopen(url).read()
imagename=filehero+'\\'+'0'*(3-len(str(k)))+str(k)+'.jpg'
with open(imagename, 'wb') as f:
f.write(image) except HTTPError as e: continue
爬取完成后输出成功的提示：
#完成该英雄的爬取
print('英雄 '+ nickname_name +' 壁纸已爬取成功\n')
到这里就大功告成啦！只要运行一下这个小程序，所有英雄的皮肤壁纸就都收入囊中了，当然也可以爬取单个英雄的所有皮肤，只要根据提示输入英雄的昵称或名称就好。
爬取单个英雄皮肤壁纸：
image
爬取所有英雄皮肤壁纸：
image
运行代码时注意保持网络畅通，如果网速太慢可能会爬取失败。在3兆有线网的网速下爬取全部139个英雄的全部高清壁纸（约一千张图）大概要3-4分钟。
《王者荣耀》、《阴阳师》、《绝地求生》等其他游戏的壁纸也是同样道理就可以爬取了，据我实践，《英雄联盟》的爬取难度是最高的，因此将上述过程弄懂了，自己再编写代码爬其他游戏就易如反掌了。
最后，放一张“至死不渝 瑞兹”壁纸，恭喜LPL夺冠！
image
最后
如果你还是不会编写这个脚本，可以关注小编+转发此文，然后私信小编“皮肤”，就可以拿到完成代码，或者找我指导实现抓取英雄皮肤，原创不易!
点击了解更多，免费获取Python零基础入门爬虫进阶学习资料~~
网友评论