一、前言
作者：Jack Cui
经过上两篇文章的学习，Python爬虫三步走：发起请求、解析数据、保存数据，已经掌握，算入门爬虫了吗？
不，还远远不够！只掌握这些，还只能算门外汉级别。
今天，就来带大家继续学习，怎么爬的更优雅！
按照惯例，还是从实战出发，今天咱们就爬个图片，盘点那些遇到的问题，和优雅的解决方案。
本文男女老少皆宜，什么妹子图、肌肉男，学会了本文的方法，一切尽收囊中！
私信小编001即可获取大量Python学习资料！
二、实战背景
咱不来吸睛劲爆的图片下载，咱来点清淡的家常菜。
动漫之家漫画下载！
这个实战，你会遇到动态加载、初级反爬，会了本文的方法，你还怕爬不到心心念的"美图"吗？
三、漫画下载
咱不下载整站资源，就挑一本下载，别给服务器太大压力。
挑来挑去，找了本动漫之家排名靠前的一本《妖神记》，说实话，看了漫画第一章的内容，浓浓的火影气息。
URL：https://www.dmzj.com/info/yaoshenji.html
想下载这本动漫，我们需要保存所有章节的图片到本地。我们先捋捋思路：
- 拿到所有章节名和章节链接
- 根据章节链接章节里的所有漫画图片
- 根据章节名，分类保存漫画
看似简单，实际做起来，可能遇到各种各样的问题，让我们一起优雅的解决这些问题吧！
1、获取章节名和章节链接
一个网页，是由很多div元素组成的
不同的div存放不同的内容，如上图，有存放标题Jack Cui的div，有存放菜单的div，有存放正文内容的div，有存放版权信息的div。
瞧，不难发现，只要拿到class属性为zj_list的div标签，就能拿到章节名和章节链接，都存放在这个div标签下的a标签中。
再仔细观察一番，你会发现，div标签下还有个ul标签，ul标签是距离a标签最近的标签。
用上一篇文章讲解的BeautifulSoup，实际上直接匹配最近的class属性为list_con_li的ul标签即可。编写如下代码：
Python
import requests
from bs4 import BeautifulSoup
?
target_url = "https://www.dmzj.com/info/yaoshenji.html"
r = requests.get(url=target_url)
bs = BeautifulSoup(r.text, 'lxml')
list_con_li = bs.find('ul', class_="list_con_li")
comic_list = list_con_li.find_all('a')
chapter_names = []
chapter_urls = []
for comic in comic_list:
????href = comic.get('href')
????name = comic.text
????chapter_names.insert(0, name)
????chapter_urls.insert(0, href)
?
print(chapter_names)
print(chapter_urls)瞧，章节名和章节链接搞定了！
没有难度啊？别急，难的在后面。
2、获取漫画图片地址
我们只要分析在一个章节里怎么获取图片，就能批量的在各个章节获取漫画图片。
我们先看第一章的内容。
URL：https://www.dmzj.com/view/yaoshenji/41917.html
打开第一章的链接，你会发现，链接后面自动添加了#@page=1。
你翻页会发现，第二页的链接是后面加了#@page=2，第三页的链接是后面加了#@page=3，以此类推。
但是，这些并不是图片的地址，而是这个展示页面的地址，要下载图片，首先要拿到图片的真实地址。
审查元素找图片地址，你会发现，这个页面不能右键！
这就是最最最最低级的反爬虫手段，这个时候我们可以通过键盘的F12调出审查元素窗口。
有的网站甚至把F12都禁掉，这种也是很低级的反爬虫手段，骗骗刚入门的手段而已。
面对这种禁止看页面源码的初级手段，一个优雅的通用解决办法是，在连接前加个view-source:。
Shell
view-source:https://www.dmzj.com/view/yaoshenji/41917.html用这个链接，直接看的就是页面源码。
更简单的办法是，将鼠标焦点放在浏览器地址栏，然后按下F12依然可以调出调试窗口。
这个漫画网站，还是可以通过F12审查元素，调出调试窗口的。
我们可以在浏览器调试窗口中的Network里找到这个页面加载的内容，例如一些css文件啊、js文件啊、图片啊，等等等。
要找图片的地址，直接在这里找，别在html页面里找，html信息那么多，一条一条看得找到猴年马月。
在Network中可以很轻松地找到我们想要的图片真实地址，调试工具很强大，Headers可以看一些请求头信息，Preview可以浏览返回信息。
搜索功能，过滤功能等等，应有尽有，具体怎么用，自己动手点一点，就知道了！
好了，拿到了图片的真实地址，我们看下链接：
https://images.dmzj.com/img/chapterpic/3059/14237/14395217739069.jpg
这就是图片的真实地址，拿着这个链接去html页面中搜索，看下它存放在哪个img标签里了，搜索一下你会发现，浏览器中的html页面是有这个图片链接的。
但你是用view-source:打开这个页面，你会发现你搜索不到这个图片链接。
Shell
view-source:https://www.dmzj.com/view/yaoshenji/41917.html
记住，这就说明，这个图片是动态加载的！
使用view-source:方法，就是看页面源码，并不管动态加载的内容。这里面没有图片链接，就说明图片是动态加载的。
是不是判断起来很简单？
遇到动态加载不要慌，使用JavaScript动态加载，无外乎两种方式：
- 外部加载
- 内部加载
外部加载就是在html页面中，以引用的形式，加载一个js，例如这样：
XHTML
这段代码得意思是，引用cuijiahua.com域名下的call.js文件。
内部加载就是Javascript脚本内容写在html内，例如这个漫画网站。
这时候，就可以用搜索功能了，教一个搜索小技巧。
https://images.dmzj.com/img/chapterpic/3059/14237/14395217739069.jpg
图片链接是这个，那就用图片的名字去掉后缀，也就是14395217739069在浏览器的调试页面搜索，因为一般这种动态加载，链接都是程序合成的，搜它准没错！
XHTML
????不出意外，你就能看到这段代码，14395217739069就混在其中！
看不懂Javascript，怎么办啊？
没关系，说实话，我看着也费劲儿。
那咱们就找找规律，分析分析，看看能不能优雅的解决这个动态加载问题，我们再看这个图片链接：
https://images.dmzj.com/img/chapterpic/3059/14237/14395217739069.jpg
链接中的数字是不是眼熟？
这不就是这几个数字合成的吗？
好了，我有个大胆的想法！直接把这些长的数字搞出来，合成下链接试试看。
Python
import requests
from bs4 import BeautifulSoup
import re
?
url = 'https://www.dmzj.com/view/yaoshenji/41917.html'
r = requests.get(url=url)
html = BeautifulSoup(r.text, 'lxml')
script_info = html.script
pics = re.findall('\d{13,14}', str(script_info))
chapterpic_hou = re.findall('\|(\d{5})\|', str(script_info))[0]
chapterpic_qian = re.findall('\|(\d{4})\|', str(script_info))[0]
for pic in pics:
????url = 'https://images.dmzj.com/img/chapterpic/' + chapterpic_qian + '/' + chapterpic_hou + '/' + pic + '.jpg'
????print(url)运行代码，你可以得到如下结果：
踏破铁鞋无觅处，得来全不费工夫！
比对一下你会发现，这些，还真就是漫画图片的链接！
但是有个问题，这么合成的的图片链接不是按照漫画顺序的，这下载下来漫画图片都是乱的啊！不优雅！
这个网站也是人写的嘛！是人，就好办！惯性思维，要是你，是不是小数放在前面，大数放在后面？这些长的数字里，有13位的，有14位的，并且都是以14开头的数字，那我就赌它末位补零后的结果，就是图片的顺序！
Python
import requests
from bs4 import BeautifulSoup
import re
?
url = 'https://www.dmzj.com/view/yaoshenji/41917.html'
r = requests.get(url=url)
html = BeautifulSoup(r.text, 'lxml')
script_info = html.script
pics = re.findall('\d{13,14}', str(script_info))
for idx, pic in enumerate(pics):
????if len(pic) == 13:
????????pics[idx] = pic + '0'
pics = sorted(pics, key=lambda x:int(x))
chapterpic_hou = re.findall('\|(\d{5})\|', str(script_info))[0]
chapterpic_qian = re.findall('\|(\d{4})\|', str(script_info))[0]
for pic in pics:
????if pic[-1] == '0':
????????url = 'https://images.dmzj.com/img/chapterpic/' + chapterpic_qian + '/' + chapterpic_hou + '/' + pic[:-1] + '.jpg'
????else:
????????url = 'https://images.dmzj.com/img/chapterpic/' + chapterpic_qian + '/' + chapterpic_hou + '/' + pic + '.jpg'
????print(url)程序对13位的数字，末位补零，然后排序。
在跟网页的链接按顺序比对，你会发现没错！就是这个顺序！
不用读懂Javascript合成链接代码，直接分析测试，够不够优雅？
3、下载图片
万事俱备，只欠东风！
使用其中一个图片链接，用代码下载试试。
Python
import requests
from urllib.request import urlretrieve
dn_url = 'https://images.dmzj.com/img/chapterpic/3059/14237/14395217739069.jpg'
urlretrieve(dn_url,'1.jpg')通过urlretrieve方法，就可以下载，这是最简单的下载方法。第一个参数是下载链接，第二个参数是下载后的文件保存名。
不出意外，就可以顺利下载这张图片！
但是，意外发生了！
出现了HTTP Error，错误代码是403。
403表示资源不可用，这是又是一种典型的反扒虫手段。
别慌，我们再分析一波！
打开这个图片链接：
URL：https://images.dmzj.com/img/chapterpic/3059/14237/14395217739069.jpg
这个地址就是图片的真实地址，在浏览器中打开，可能直接无法打开，或者能打开，但是一刷新就又不能打开了！
如果再打开章节页面，再打开这个图片链接就又能看到图片了。
章节URL：
https://www.dmzj.com/view/yaoshenji/41917.html
记住，这就是一种典型的通过Referer的反扒爬虫手段！
Referer可以理解为来路，先打开章节URL链接，再打开图片链接。打开图片的时候，Referer的信息里保存的是章节URL。
动漫之家网站的做法就是，站内的用户访问这个图片，我就给他看，从其它地方过来的用户，我就不给他看。
是不是站内用户，就是根据Referer进行简单的判断。
这就是很典型的，反爬虫手段！
解决办法也简单，它需要啥，咱给它就完了。Python
import requests
from contextlib import closing
?
download_header = {
????'Referer': 'https://www.dmzj.com/view/yaoshenji/41917.html'
}
?
dn_url = 'https://images.dmzj.com/img/chapterpic/3059/14237/14395217739069.jpg'
with closing(requests.get(dn_url, headers=download_header, stream=True)) as response:
????chunk_size = 1024??
????content_size = int(response.headers['content-length'])??
????if response.status_code == 200:
????????print('文件大小:%0.2f KB' % (content_size / chunk_size))
????????with open('1.jpg', "wb") as file:??
????????????for data in response.iter_content(chunk_size=chunk_size):??
????????????????file.write(data)??
????else:
????????print('链接异常')
print('下载完成！')使用closing方法可以设置Headers信息，这个Headers信息里保存Referer来路，就是第一章的URL，最后以写文件的形式，保存这个图片。
下载完成！就是这么简单！
四、漫画下载
将代码整合在一起，下载整部漫画。编写代码如下：Python
import requests
import os
import re
from bs4 import BeautifulSoup
from contextlib import closing
from tqdm import tqdm
import time
?
"""
????Author:
????????Jack Cui
????Wechat:
????????https://mp.weixin.qq.com/s/OCWwRVDFNslIuKyiCVUoTA
"""
?
# 创建保存目录
save_dir = '妖神记'
if save_dir not in os.listdir('./'):
????os.mkdir(save_dir)
????
target_url = "https://www.dmzj.com/info/yaoshenji.html"
?
# 获取动漫章节链接和章节名
r = requests.get(url = target_url)
bs = BeautifulSoup(r.text, 'lxml')
list_con_li = bs.find('ul', class_="list_con_li")
cartoon_list = list_con_li.find_all('a')
chapter_names = []
chapter_urls = []
for cartoon in cartoon_list:
????href = cartoon.get('href')
????name = cartoon.text
????chapter_names.insert(0, name)
????chapter_urls.insert(0, href)
?
# 下载漫画
for i, url in enumerate(tqdm(chapter_urls)):
????download_header = {
????????'Referer': url
????}
????name = chapter_names[i]
????# 去掉.
????while '.' in name:
????????name = name.replace('.', '')
????chapter_save_dir = os.path.join(save_dir, name)
????if name not in os.listdir(save_dir):
????????os.mkdir(chapter_save_dir)
????????r = requests.get(url = url)
????????html = BeautifulSoup(r.text, 'lxml')
????????script_info = html.script
????????pics = re.findall('\d{13,14}', str(script_info))
????????for j, pic in enumerate(pics):
????????????if len(pic) == 13:
????????????????pics[j] = pic + '0'
????????pics = sorted(pics, key=lambda x:int(x))
????????chapterpic_hou = re.findall('\|(\d{5})\|', str(script_info))[0]
????????chapterpic_qian = re.findall('\|(\d{4})\|', str(script_info))[0]
????????for idx, pic in enumerate(pics):
????????????if pic[-1] == '0':
????????????????url = 'https://images.dmzj.com/img/chapterpic/' + chapterpic_qian + '/' + chapterpic_hou + '/' + pic[:-1] + '.jpg'
????????????else:
????????????????url = 'https://images.dmzj.com/img/chapterpic/' + chapterpic_qian + '/' + chapterpic_hou + '/' + pic + '.jpg'
????????????pic_name = '%03d.jpg' % (idx + 1)
????????????pic_save_path = os.path.join(chapter_save_dir, pic_name)
????????????with closing(requests.get(url, headers = download_header, stream = True)) as response:??
????????????????chunk_size = 1024??
????????????????content_size = int(response.headers['content-length'])??
????????????????if response.status_code == 200:
????????????????????with open(pic_save_path, "wb") as file:??
????????????????????????for data in response.iter_content(chunk_size=chunk_size):??
????????????????????????????file.write(data)??
????????????????else:
????????????????????print('链接异常')
????????time.sleep(10)大约40分钟，漫画即可下载完成！
还是那句话，我们要做一个友好的爬虫。写爬虫，要谨慎，勿给服务器增加过多的压力，满足我们的获取数据的需求，这就够了。
你好，我也好，大家好才是真的好。
五、总结
- 本文讲解了如何判断页面信息是不是动态加载的，如何解决动态加载问题。
- 本文讲解了一些常见的反爬虫策略以及解决办法。