Scrapy框架很好，也提供了很多扩展点，可以自己编写中间件处理Scrapy的Request和Response。但是可定制化或者可掌控性来说，还是自己写的爬虫更加强一些。

接下来，我们来看一下使用Python第三方库：requests和bs4抓取空姐网的美女。

requests和bs4

国际惯例，我们先了解一下requests和bs4。

requests是Python非常流行的处理网络数据的第三方库。相对于Python内置框架urllib、urllib2来说，requests提供的操作更加简洁而且更加丰富。如官方的requests示例：

requests示例

通过requests，我们可以很方便的发送GET、POST、DELETE、PUT请求，获取相应数据等等。

bs4是指BeautifulSoup 4.x版本。相对于BeautifulSoup 2.x和3.x，4.x提供了更加丰富和人性化的api。使用BeautifulSoup，我们可以很方便的定位到HTML中我们想要的元素，获取元素值等等。如：

bs4示例

查看空姐网结构

进入正题。

首先，我们查看一下空姐网的网页结构，找到每个人的相册页面。在kongjie.com里面随意翻翻，就能找到热门相册页面，如图：

相册页面

首先，分析一下该页面结构，提取出每个人的相册页链接。如图：

每个人的相册

class属性为ptw的div下，ul中的每一个li都是每个人的相册封面，通过提取li中的链接，就能进入每个人的相册。

开始爬取

从上面这个页面提取每个人相册链接的css表达式为“div.ptw li.d”。这样，我们就可以把这个表达式用在BeautifulSoup里面了。

如，

解析每个人的相册链接

现在，获取到了每个人的相册链接，接下来就是编写save_images_in_album()方法，进入每个人的相册里面抓取图片了。再提一下，再这里，我们提取完一页中每个人的相册链接之后，解析了网页里的“下一页”的链接，这样就能自动翻页抓取了。

下一页

要编写爬虫，我们还是获取一下浏览器访问这个页面时的Request Headers，这样，就能绕过一些简单的反爬虫手段。

Headers

然后，进入到相册内部，查看一下网页结构，如图：

相册内图片

我们得知，id为photo_pic，class为c的div里面，第一个超链接里面的img标签就是大图。所以，我们在这里提取这个链接。我们使用soup.find('div', id='photo_pic', class_='c')定位到id为photo_pic、class为c的div，然后通过image_div.a.img['src']就能拿到这个图片的链接了。

拿到一张图片的链接之后，我们需要切换到下一张图片。可以看到，大图下面最后面有个向右的箭头，这个是下一张图的按钮，我们获取这个按钮的链接，获取连接对应的css表达式为“div.pns.mlnv.vm.mtm.cl a.btn[title="下一张"]”，然后就可以重复上面两个步骤爬取相册里面所有的照片了。

在这里，我们怎么知道一个相册里的图片都爬取完成了呢？

我们使用redis来存放爬取了的图片id，如果一张图片id已存在redis中了，那么不爬取了，这样，我们就能很方便的知道一个相册是否爬取完了（相册中所有图片id都存在redis中了，就表示该相册爬取完了）。

因此，我们写出save_images_in_album()方法如下：

save_image_in_album

这里，我们从相册的url中，通过正则表达式：uid_picid_pattern = re.compile(r'.*?uid=(d+).*?picid=(d+).*?')解析出用户id和每张图片的id。然后就可以用redis来去重了。

下载图片

在上面这个函数里，我们拿到了每张图片大图的链接，即image_src变量。然后我们就可以编写save_img()方法来保存图片了。如：

save_img

运行结果

最后，我们在命令行运行Python kongjiewang.py。看一下结果：

运行结果

结果2

大功告成！

转载自原文链接, 如需删除请联系管理员。

原文链接：Python网络爬虫requests、bs4爬取空姐图片，福利哦，转载请注明来源！