四步带你入门爬虫，爬取图片

本人还是学生，python小白。其实很多基础还不牢固，但是对爬虫比较有兴趣，在这里也希望能帮助大家入门爬虫,毕竟还是比较有趣。需要一些html基础，不过这个html也很简单。

完整代码块

import requests
from lxml import etree
import os
if __name__ == '__main__':
    url = 'https://pic.netbian.com/4kdongman/'
    #爬取到页面源码数据
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.85 Safari/537.36 Edg/90.0.818.49'
    }
    response = requests.get(url=url,headers=headers)
    #手动设定编码
    # response.encoding = 'utf-8'
    # print(response)
    page_text = response.text
    # print(page_text)
    #数据解析：src属性值 alt属性值
    tree = etree.HTML(page_text)
    li_list = tree.xpath('//div[@class="slist"]/ul/li')

    # #创建一个文件夹
    if not os.path.exists('./picLibs'):
        os.mkdir('./picLibs')
    for li in li_list:
        img_src = 'https://pic.netbian.com'+li.xpath('./a/img/@src')[0]
        img_name = li.xpath('./a/img/@alt')[0]+'.jpg'
        #通用处理中文乱码解决方案
        img_name = img_name.encode('iso-8859-1').decode('gbk')
        # print(img_name,img_src)
        #请求图片，进行持久化存储
        img_data = requests.get(url=img_src,headers=headers).content
        img_path = 'picLibs/'+img_name
        with open(img_path,'wb') as fp:
            fp.write(img_data)
            print(img_name,'下载成功！！')

import requests
from lxml import etree
import os

下面是分析，只需四步。

这里是引入包，记得需要提前导入这些模块，不懂的可以评论区问问。

第一步

request 的作用是模拟客户端浏览强向服务器发出请求获得数据。
lxml etree是用于解析requests获得返回的网页数据，提取需要的信息。这里还有其余方法，与兴趣大家可以自己去了解。如正则表达式等等。
os用于后面创建一个存储图片的文件夹

url = 'https://pic.netbian.com/4kdongman/'
    #爬取到页面源码数据
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.85 Safari/537.36 Edg/90.0.818.49'
    }

ulr里是我们需要需要访问的网站链接
headers是用于python伪装自己，模仿是一个浏览器发出的请求。
下面教你们怎么获取headers
以百度为例：

点击F12，找到Networ
的第一个响应，向下滑获取到 User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.85 Safari/537.36 Edg/90.0.818.49

第二步

response = requests.get(url=url,headers=headers)

response这里是获取了requests利用get获取的指定网站的返回值

page_text = response.text

text将返回的值变为网页中代码形势，page_text获取text后的返回值

#数据解析：src属性值 alt属性值
    tree = etree.HTML(page_text)
    li_list = tree.xpath('//div[@class="slist"]/ul/li')

第三步

数据解析部分，为最重要
html解析
etree.HTML方法把html的文本内容解析成html对象，并对HTML文本进行自动修正。
.xpath是一种数据解析方法。

例如需要下列第一张图片，我们点击进去后发现第一张图片的链接（链接在第二张图上）是由该网站链接加上第一张图中该图a中href值拼接而成。因此我们想要获取某一张图片链接，直接将两者加起来就行。而该网站链接我们已经知道，因此难点就是获取每一张图对应a中的href值。

xpath就是实现此功能
li_list = tree.xpath(’//div[@class=“slist”]/ul/li’)
了解括号中含义：（/表示一个层级）
1.分析网站页面html后发现，a在li标签中，li在ul标签中，ul在属性值为slist的div标签中，而属性值为slist的div标签在html的下下个层级中。
2.因此括号里信息的含义是，从html开始的下下个层级中找到一个属性值为slist的div，再在里面找到ul标签，再在ul中找到li标签。
3.因此这里接收的是这一页的包含图片信息的所有li标签，至于为什么不直接获得a标签，是因为后面还可以利用li获取图片名字。

# #创建一个文件夹用于保存图片
    if not os.path.exists('./picLibs'):
        os.mkdir('./picLibs')

    for li in li_list:
        img_src = 'https://pic.netbian.com'+li.xpath('./a/img/@src')[0]
        img_name = li.xpath('./a/img/@alt')[0]+'.jpg'
        #通用处理中文乱码解决方案
        img_name = img_name.encode('iso-8859-1').decode('gbk')
        # print(img_name,img_src)
        #请求图片，进行持久化存储
        img_data = requests.get(url=img_src,headers=headers).content
        img_path = 'picLibs/'+img_name
        with open(img_path,'wb') as fp:
            fp.write(img_data)
            print(img_name,'下载成功！！')

for循环，每次获取一张图片。

img_src = ‘https://pic.netbian.com’+li.xpath(’./a/img/@src’)[0]
li.xpath(’./a/img/@src’)[0] 同理上面，获得每个li标签里a中的img中的src值
用@src获得，至于加[0]是因为返回的是一个标签，即取里面第一个值。加上原网页，就是每一张图片的的链接
img_name = li.xpath(’./a/img/@alt’)[0]+’.jpg’
获取每张图片的名字
img_name = img_name.encode(‘iso-8859-1’).decode(‘gbk’)
防止图片名字出现乱码，一般有两种预防方式，后面讲另一种，这里用的是.encode(‘iso-8859-1’).decode(‘gbk’)。
img_data = requests.get(url=img_src,headers=headers).content
访问拼接后的每一张图片呢网页地址，.content是将图片以二进制方式储存起来。

img_path = ‘picLibs/’+img_name
图片需要存储额文件地址

第四步

    with open(img_path,'wb') as fp:
        fp.write(img_data)
        print(img_name,'下载成功！！')

打开该文件地址，将获取的图片数据存进去，爬取完成。

这种方法只能获取一页的数据，大家可以想一下怎么获取多页的数据。
整个爬取就完成了，大家有什么疑问可以在评论区提出，欢迎交流。