5000张高清壁纸大图（手机用），用Python在法律的边缘又试探了一把-蒲公英云

5000张高清壁纸大图（手机用），用Python在法律的边缘又试探了一把

昨日下了直播，橡皮擦在浏览网页，忽然发现一张手机壁纸不错，既然来都来了，不试一把也不合适。

Python 爬虫 120 例，已完成文章清单

10 行代码集 2000 张美女图，Python 爬虫 120 例，再上征途
通过 Python 爬虫，发现 60%女装大佬游走在 cosplay 领域
Python 千猫图，简单技术满足你的收集控
熊孩子说“你没看过奥特曼”，赶紧用 Python 学习一下，没想到
技术圈的【多肉小达人】，一篇文章你就能做到
我用 Python 连夜离线了 100G 图片，只为了防止网站被消失
对 Python 爬虫编写者充满诱惑的网站,《可爱图片网》,瞧人这网站名字起的

千张壁纸秒爬取

数据源分析

爬取目标

图片首页地址为：https://www.3gbizhi.com/sjbz/index_1.html，该网站壁纸质量不错，清晰度也非常好，重点是对爬虫也非常友善，试了几次，爬取速度都可以，因此大家应该把该网站用于学习目的。

5000张高清壁纸大图（手机用），用Python在法律的边缘又试探了一把

使用的 Python 模块

本次使用 requests，re，threading。

threading 模块将在本案例中，进行分页多线程抓取。

重点学习内容

爬虫基本套路

多线程图片爬虫

通过小图获取大图

列表页分析

分析列表的时候发现，该网站可以直接通过，修改列表页图片地址获取高清地址，有这样的技巧存在，就能大幅度减少爬虫代码编写量，具体如下。

通过浏览器检查图片标签，获得如下图所示图片地址，即 https://pic.3gbizhi.com/2020/1214/20201214112632727.jpg.476.780.jpg 。

在浏览器中打开该地址，得到一张图片预览地址，去除 .476.780 相关内容，直接获取到大图地址，即 https://pic.3gbizhi.com/2020/1214/20201214112632727.jpg 。

5000张高清壁纸大图（手机用），用Python在法律的边缘又试探了一把
既然可以通过列表页直接获取大图地址，那针对该网站的爬取，直接通过列表页即可实现。下面就可以针对分析进行需求的整理工作。

整理需求如下

爬取目标网站列表页；
分析图片大图链接；
请求图片，保存图片。

编码时间

在上文针对列表页面进行了数据上的分析，接下来就可以对其进行代码编写了。

编写图片地址提取代码，该代码的重点在于，需要将图片地址后面的缩放进行处理，即下述代码 url[:url.find('jpg')+3] 部分内容，下文中的正则表达式部分需要特别注意，在网站上右键查看的源码与服务器返回的代码存在差异，测试时需针对服务器返回进行匹配。

下文代码中 save_image 在后文涉及。

import requests
import re
import threading
headers = { 
    "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) "}
# 循环获取 URL
def get_image(base_url):
    res = requests.get(url=base_url, headers=headers)
    if res is not None:
        html = res.text
        # 正则表达式提取数据
        pattern = re.compile(
            '<img lazysrc="(.*?)" lazysrc2x=".*?" width="221" height="362" alt=".*?" title="(.*?)"')
        match_list = pattern.findall(html)
        for url, title in match_list:
            # url 字符串进行处理，去除缩略图部分
            save_image(url[:url.find('jpg')+3], title)
        print(match_list)

此时获取到的就是图片的真实地址，调用 save_image 函数，对远程图片进行存储。其中 title 为图片存储地址。

def save_image(url, title):
    try:
        print(f"{ title} - { url}")
        res = requests.get(url=url, headers=headers)
        if res is not None:
            html = res.content
            with open(f"images/{ title}.jpg", "wb+") as f:
                f.write(res.content)
    except Exception as e:
        print(e)

最后使用多线程进行爬取，开启 5 个线程，当所有线程结束运行时，停止整体代码。

if __name__ == '__main__':
    num = 0
    # 最多开启5个线程
    semaphore = threading.BoundedSemaphore(5)
    for index in range(189):
        t = threading.Thread(target=get_image, args=(
            f"https://www.3gbizhi.com/sjbz/index_{ index}.html",))
        t.start()
    while threading.active_count() != 1:
        pass
    else:
        print('所有线程运行完毕')