目錄

• 前言
• 分析
  • 理想狀態
  • 爬蟲實現
  • 其他注意
• 效果與總結

@(文章目錄)

前言

在我們寫文章(部落格、公眾號、自媒體)的時候，常常覺得自己的文章有些老土，這很大程度是因為配圖沒有選好。

筆者也是遇到相同的情況，順便解決其中一個案例，給大家一些技術上的參考和借鑑！

並且，我們搜圖片如果去百度，會遇到兩種情況：非高清或者帶水印。這都是我們所忌諱的東西。筆者此次通過圖蟲創意抓起高清小圖，雖然不是大圖，但是在火熱的移動端閱讀上是足夠的！

分析

廢話說完了，我們開始分析怎麼樣才能獲取這樣的圖片呢。

理想狀態

• 我們的理想狀態就是一個網頁，我們的目標網頁，把圖片<img src="xxxxxx">直接放到html中。我們的爬蟲可以直接解析。這種情況，就像你寫的部落格，個人網站的圖片一樣，簡單嵌入。
  

• 或者就是通過後臺ajax傳輸圖片地址引用。我們不清楚是否這樣！

  實際分析

  但事實這種肯定會被理想破滅，因為不可能！他以圖片為核心業務，要你註冊，購買等等，怎麼可能就這麼容易的嵌入進入被你找到。

• 那它到底如何實現呢？我們分析一下！

首先開啟網頁，檢查圖片，發現它的網頁圖片來源不唯一。有兩個主要域名ice和wel，並且後面的編號還不唯一，但是可以嘗試發現相同域名不同字尾的圖片地址結果相同

！（例如icweiliimg9和icweiliimg/效果相同）。

我們發現原來這個搜尋url會變化，但是這個檢視網頁原始碼發現並沒有我們想要的圖片地址。那麼我們肯定知道它要麼從ajax渲染，或者就藏在js中進行混淆或者加密。我們發現這個xhr中並沒有想要的資料，並且他其實藏在js中。其實這個可以猜想到的，因為它的url既然跟著變化那麼返回的資料肯定是有區別的。

那麼分析就到這裡，剩下就是python爬蟲的模擬和解析了。

爬蟲實現

前面說到已經知道它的資料來源，我們用python編寫爬蟲需要進行模擬。經過測試發現它需要進行一些驗證，其中包過cookie的wluuid欄位（只驗證存在，不驗證正確性）。

那麼我們編寫一段程式碼就能拿到網頁html。但是問題來了。資料藏在js裡面啊！！！

我們只能用正則進行套了！
對於這個js，我們通過js=soup.select('script') js=js[4]即可獲取。

對於有用資料，只能正則擷取。

 pattern = re.compile(r'window.hits = (\[)(.*)(\])')
 va = pattern.search(str(js)).group(2)#解析js內容

但是這個類似json的串用,拼接我們無法直接使用spilt分組分開，但是我們可以從}全部替換成},,那麼就三個,,,我們就可以分割而不影響其他json串內,；split之後每組都滿足json串格式，直接轉成json取值即可！

那麼剩下拿到url直接構造url然後下載圖片即可！

其他注意

圖片下載：

• 下載圖片有很多圖片無名稱或者名字相同，避免這個不下載要進行編號
• 兩個url域名需要嘗試下載其中一個成功即完成下載！

爬蟲方面

• 全程不需要登入，下載為高清小圖。後續可以考慮研究登入後的大圖分享給大家！

其他

• 建立圖片路徑要考慮路徑是否存在！

效果與總結

通過上述分析：編寫爬蟲：

測試結果：

開啟資料夾：

發現nice！你只需要輸入關鍵詞即可實現自動下載，雖然是小圖，但是效果不錯！
移動端公眾號和csdn效果！

不難發現，整個過程就是分析和處理字串的邏輯難點。資料結構與演算法紮實了處理問題都不難，！所以，如果要學習資料結構與演算法，爬蟲請關注我吧！公眾號：bigsai

相關推薦