我学爬虫一直有一个梦想，就是想真正达到可见即可爬的态度，所以我一直在尝试找一种方式去搞定它，从最开始的模拟接口去交接数据，但是我发现这行不通，然而条条大路通罗马，后浪又怎么能这么消逝在沙滩上，直到我想了一个问题，为什么我们每次保存图片都是JPG格式，为什么不是PNG格式? 那我就查阅了相关文献，终于，我成功了，我用另类的方式搞定了这些限制次数的图库，这是一次大胆的创意，可以适用在任何图站，希望对大家有帮助！
都2020年了，爬虫党还在为了图片的下载质量烦恼吗？还是只会下载JPG图片？那我有一种另类方式可以帮助你真正的白嫖高质量图片，肝了一个礼拜的干货，绝对能改变你对爬虫的看法和思考，原来爬虫这么有趣，也不会这么思维固然，代码方式尽量简单一点，让大家能看懂，加油各位！
防止有人说我标题党，我先给图致敬，绝对是4k以上画质，作假的剁手！
爬虫之道：
- 技术分析：
- 爬虫还用JPG？
- 技术关键代码：
- 项目技术：
- 获取分组网址和标题：
- 开始下载选择：
- 获取图片网址：
- 获得下载网址：
- 项目经验：
- 项目后记：
技术分析：
爬虫还用JPG？
这个另类技术设计到一点值得我们思考，我们每次爬虫保存的图片都是默认JPG，为什么
- 先不管他们的定义是什么，简单来说，JPG就是一种有损压缩技术，在符合所需画质的前提下，尽可能的提高压缩比，来减少储存空间，所以传输速度快，文件小，画质低，这也就是网站为什么都用JPG来存储图片了。
- 而ＰＮＧ我定义就是一种
大保健，他能保存完整的画质，也就是相对无损压缩技术，缺点也就是存储空间大，保留了很多原始通道，所以网站不采用，爬虫教学也不采用。 - 而位图的定义，理论上是可以无限放大的，JPG作为位图自然是糟糕的选择，而PNG确实是一个完美的搭档，这里我就
钻了这个空子,用了这种方式搞定了高清图库。 - 采用这种方式，我不是吹嘘我有多厉害，可能有人想过，但是我只是分享这种方式给更多的朋友，改善他们的固有思维，如果你想要小图片的话保存JPG也是很好的选择，而我喜欢
高清大图，我采用的是PIL库的Image类的操作，下面我会给出很好的解释。这是一个全站点图片爬取的爬虫，速度可能有点慢，我尽力使用了线程池，谢谢理解！
技术关键代码：
存储为位图，然后无损放大图片，就可以得到我们的效果了，还不懂的留言问我。
with open(''.join(name) + '.png', 'wb') as fw:
fw.write(rr.content)
img = Image.open(''.join(name) + '.png')
img = img.resize((4000, 2000), Image.ANTIALIAS) # 改变大小 抗锯齿
# print(img.size)
img.save(''.join(name) + '.png', quality=95) # 质量分数 95
如果看到这里觉得对你有帮助的，希望给个关注和赞，这是对我最大的支持！
项目技术：
- 还是熟悉的网站 彼岸图网 这个网站质量挺高的，但是有个缺点就是限制次数，所以这次就决定搞它了，其他网站也是大同小异之作。
- 总的步骤分了几大模块，设计到的技术点不是很多，requests和xpath 作为爬虫基础技术，还有Image类和线程池技术，然后文件的os库也是必须的。
- 我保证说的很清楚，我们就开始实践吧！
获取分组网址和标题：
- 我们这次做的是一个全站点爬取，所以得考虑分组问题，这里我们编写爬虫获取箭头所指向的信息，我保存为一个列表，方便我接下来的操作。
代码：
def get_groups(url, headers): # 获得重要信息
"""根据传入的最初网址和标题头，获得每个专栏的网址和标题"""
r = requests.get(url, headers=headers)
r.encoding = r.apparent_encoding # 转换编码
if r.status_code == 200:
html = etree.HTML(r.text)
html = etree.tostring(html)
html = etree.fromstring(html)
url_list = html.xpath(r"//div[@class='classify clearfix']//a/@href") # 获得网页分组的url
name = html.xpath(r"//div[@class='classify clearfix']//a/text()") # 获得网页分组的标题
else:
print('请求错误!')
return name, url_list # 把分组标题和分组网址回溯
开始下载选择：
- 获取成功这些我们就开始选择下载，更友好和人性化：
这里我就简单的写写哈，别介意：
代码如下：
def begin_down(title, url, headers): # 下载选择
"""这里的参数为刚获取的标题和网址还有请求头"""
print('白嫖方式下载高清图片'.center(30, '-'))
for i, j in enumerate(title):
print(i, '\t\t\t\t\t', j)
inp = int(input('输入下载选项:'))
# print(title[inp], url[inp])
get_image_1st(title[inp], url[inp], headers) # 调用第一页的网址进行下载
get_image(title[inp], url[inp], headers) # 下载剩下的所有页
这里获取的网址需要到下一步进行拼接，根据我的观察，分组网站的第一页和其他页网址不相连，没有规律可循，所以我写了爬取第一页和爬取其他页二个函数来获取图片，这里下面我也会说。
获取图片网址：
- 随后我们点击图片进入这样页面，看我箭头标注，我们要获取href的内容，而不是img中的网址，img里面的是缩小图片，没什么质量，看多了还伤眼睛，不值得，我给你大图，你也爽。编写代码，获取href然后网址拼接这个样子 http://pic.netbian.com/tupian/17781.html 就可以打开了。
代码：
def get_image_1st(title, url, headers): # 得到第一页的图片网址
url_1st = 'http://pic.netbian.com/' + url # 拼接分组网址
r = requests.get(url_1st, headers)
if r.status_code == 200:
html = etree.HTML(r.text)
html = etree.tostring(html)
html = etree.fromstring(html)
page_url = html.xpath(r'//ul[@class="clearfix"]//li/a/@href') # 获得每张图片的真实网址
# print(page_url)
page_url = ['http://pic.netbian.com' + i for i in page_url] # 网址拼接
pool_down(title, page_url, headers) # 调用图片下载函数 下载选择页的 第一页全部图片,因为第一页网址特殊
def get_image(title, url, headers): # 得到其他页的图片网址
"""找其他页的网址，然后找到每张图片的点击图片网址"""
pages_url = []
for i in range(2, 10): # 我们假定最大翻页为10页
other_url = 'http://pic.netbian.com' + url + 'index_' + str(i) + '.html' # 拼接网址
# print(other_url)
r = requests.get(other_url, headers=headers) # 尝试请求第二页 获得图片的点击网址
if r.status_code == 200:
html = etree.HTML(r.text)
html = etree.tostring(html)
html = etree.fromstring(html)
page_url = html.xpath(r'//ul[@class="clearfix"]//li/a/@href') # 获得每张图片的真实网址
page_url = ['http://pic.netbian.com' + i for i in page_url] # 网址拼接
pages_url.append(page_url)
pool_down(title, pages_url, headers) # 调用下载
获得下载网址：
- 然后我们打开图片，通过控制台，可以得到我下图的画面：
这里注意一点，我们获取的是src里面的图片网址，这个质量更高一点，便于我们修改画质，这里使用到了线程池和Image的使用，简单使用起来不是很难。
代码如下：
def image_down(title, page_url, headers): # 下载图片
if not os.path.exists(title + '//'):
os.mkdir(title + '//')
os.chdir(title + '//')
else:
os.chdir(title + '//')
for i, j in enumerate(page_url): # 遍历第一页的图表列表
r = requests.get(j, headers=headers) # 请求这个图片网址
if r.status_code == 200:
r.encoding = r.apparent_encoding # 修改编码
html = etree.HTML(r.text)
html = etree.tostring(html)
html = etree.fromstring(html) # 以上搭建xpath对象
url = html.xpath(r'//a[@id="img"]/img/@src')
name = html.xpath(r'//a[@id="img"]/img/@title')
rr = requests.get('http://pic.netbian.com' + ''.join(url), headers=headers)
if rr.status_code == 200: # 请求下载图片网址
rr.encoding = rr.apparent_encoding # 修改编码
with open(''.join(name) + '.png', 'wb') as fw:
fw.write(rr.content)
img = Image.open(''.join(name) + '.png')
img = img.resize((4000, 2000), Image.ANTIALIAS) # 改变大小 抗锯齿
# print(img.size)
img.save(''.join(name) + '.png', quality=95) # 质量分数 95
print(f'{title} 中第 {i + 1} 张下载完成！')
else:
print('错误啦')
def pool_down(title, page_url, headers): # 线程下载
# print(title, len(page_url))
path = 'D://彼岸图库//'
# 创建总的文件夹
if not os.path.exists(path):
os.mkdir(path)
os.chdir(path)
else:
os.chdir(path)
# 创建一个多线程下载
pool = Pool(6) # 一次6下
if len(page_url) > 2: # 如果是其他网址
for i in page_url:
pool.apply(image_down, args=(title, i, headers))
elif len(page_url) == 1: # 如果是第一页
pool.apply(image_down, args=(title, page_url, headers)) # 调用线程池
pool.close()
pool.join()
项目经验：
-
全部的代码我差不多全部给出了，为了让你们身体健康，我还是希望大家可以自行的编写一下主函数，主函数很简单的，就是简单的调用，参数我已经都给了，体验一下编程的快乐，这样左右手就很充实啦！
-
我对爬虫的理解不在于代码多难实现，而是如何分析网站，好的分析，绝对事半功倍！
-
这一次项目，因为是静态网址，没有遇到多少坑坑洼洼，都是小毛病，我就不提出来博取幸苦费用了。
-
总的来说，你们看了觉得有帮助的，给个关注和支持，就是对我最大的帮助，我会加油，你们也是！
项目后记：
任他天高鸟飞，奔涌吧，后浪！
