基于Python实现ComicReaper漫画自动爬取脚本过程解析

Python  /  管理员 发布于 7年前   209

这篇文章主要介绍了基于Python实现ComicReaper漫画自动爬取脚本过程解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下

讲真的, 手机看漫画翻页总是会手残碰到页面上的广告好吧...

要是能只需要指定一本漫画的主页URL就能给我返回整本漫画就好了...

这促使我产生了使用Python 3来实现, 做一个 ComicReaper(漫画收割者) 的想法!

本文所用漫画链接 : http://www.manhuadb.com/manhua/2317

总体流程

那就开始吧

做一些准备工作

先用字符串存储两个链接, 一个是本次漫画网站站点的域名URL, 另一个是当前我们要爬取的漫画的主页URL

再定义一个 header 字典, 用于存储我们的 User-Agent 和 Referer Referrer (由于早期HTTP规范的拼写错误, 为了保持向后兼容就将错就错了)

首部字段 User-Agent

首部字段 User-Agent 告诉服务器当前创建请求的浏览器是什么(有的网站会针对不同的浏览器提供不同的页面, 比如如果是手机浏览器提出的请求, 服务器就向客户端提供网站的手机版页面)

比如说同样是请求 GitHub 的主页, 左边是使用笔记本电脑上面的浏览器请求的页面, 右边是在安卓手机上请求的页面

首部字段 Referer

首部字段 Referer 告诉服务器当前请求的页面是从哪个Web页面发起的(一般情况下 Referer 字段用于防盗链)

有的网站不允许直接访问网站里面的URL, 只能通过从主页点击某个链接来进行跳转, 或者...我们在请求之前把 User-Agent 字段设置为主页或发起页即可

url_domainame = r'http://www.manhuadb.com'url_host = r'http://www.manhuadb.com/manhua/2317'header = {  'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:70.0) Gecko/20100101 Firefox/70.0',  'Referer' : ''  }

获取章节目录

首先我们对我们接下来要做的事情做一个具体流程分析

我们要获取当前漫画所有章节的标题与URL(标题用于后期存储时文件夹的命名, URL用于跳转到当前章节的开始页面)并且存储在列表中

将会使用到Python的两个库, re 与 urllib

 import re　　　　　　　　　# 导入正则表达式 import urllib.request  # 导入 urllib.request

对在浏览器中按下 [F12] 键打开开发者工具来对漫画的章节页面进行分析

我们可以看到页面中有很多章节, 也就是章节跳转链接, 每个链接的<a>标签中正好具有我们需要的标题和URL, 分别是<a>标签的 title 属性与 href 属性, 我们将使用字典来存储它

先不慌着前进, 考虑到整个HTML中有非常多的链接, 那么也就意味着页面中具有大量的<a>标签, 如果我们只是单纯地从HTML中过滤出<a>标签, 这样我们会得到大量我们并不需要的<a>标签, 这是不明智的, 我们必须只过滤出章节跳转链接的<a>标签, 仔细观察, 发现章节跳转链接的<a>标签们都具有一个特点, 那就是它们都具有 class 属性并且属性值为 "fixed-a-es" , 这就找到了一个可以定位章节<a>标签的依据, 把这一点加入到我们的正则表达式的匹配规则中去

现在就可以定义一个正则表达式匹配字符串了:

pat = r'<a class="fixed-a-es" href="https:/article/(.*?)" rel="external nofollow" rel="external nofollow" title="(.*?)"'

为什么要这么写 :

• 在Python中, 在字符串常量的开头加一个 'r' 表示本字符串中的 '\' 字符将不会用来作转义字符使用, 保留了它原本的含义, 也就是反斜杠字符
• 在正则表达式中, '.' 字符用于匹配任何字符(当匹配时具有 're.S' 标志时此话成立, 否则只能匹配任意但除了 '\n' 以外的字符)
• 在正则表达式中, '*' 字符用于描述它左边的匹配字符的出现次数为0次或若干次
• 在正则表达式中, '(.*?)' 的组合用来表示一个贪婪匹配(并且会被捕捉到)

使用这个正则表达式, 就可以匹配到 title 属性与 href 属性的属性值中的双引号里面的内容了

具体实现是 chapterIndexReaper 函数, 主要用来"收割"当前漫画的所有章节并存储为字典列表

代码如下 :

#获取一本漫画的所有章节的目录def chapterIndexReaper(url_host, header):  # 定义一个临时字典, 用于临时存储一个章节的标题与url  dic_temp = {    'Title' : '',    'Url' : ''    }  # 章节字典列表, 存储当前漫画的所有章节字典  set_dic = []  # 构建Request对象  req = urllib.request.Request(url = url_host, headers = header)  # 读取所请求的req并用utf-8编码来进行解码, 所得到的的字符串赋值给html  html = urllib.request.urlopen(req).read().decode('utf-8')  # 爬取漫画章节标题与url的正则表达式  pat = r'<a class="fixed-a-es" href="https:/article/(.*?)" rel="external nofollow" rel="external nofollow" title="(.*?)"'  # 使用pat在html中进行进行匹配(re.S参数是为了让"."除了能够匹配本身规定的字符,  # 另外也能匹配"\n"), 返回一个结果列表res  res = re.findall(pat, html, re.S)  for i in res:    dic_temp['Title'] = i[1]    dic_temp['Url'] = url_head + i[0]    # 向当前的章节字典列表的后面追加新的章节, 注意, 此处要使用浅拷贝    # (因为dic_temp是一个临时变量, 需要创建它的副本并追加到set_dic中去,    # 否则当dic_temp刷新时set_dic中的元素会相应发生改变)    set_dic.append(dic_temp.copy())  return set_dic

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。