您现在的位置：程式師世界 >> 編程語言 > >> 更多編程語言 >> Python

Python帶你采集內容，讓你不要錢免費看，爭做省錢小能手~

編輯：Python

前言

嗨喽，大家好吶，這裡是魔王呀~

本篇代碼提供者: 青燈教育-自游老師

環境使用:

Python 3.8
Pycharm 版本盡量保持一致哦~

模塊使用:

requests >>> pip install requests
parsel >>> pip install parsel

如果安裝python第三方模塊:

win + R 輸入 cmd 點擊確定, 輸入安裝命令 pip install 模塊名 (pip install requests) 回車
在pycharm中點擊Terminal(終端) 輸入安裝命令

安裝失敗原因:

失敗一: pip 不是內部命令

解決方法: 設置環境變量

失敗二: 出現大量報紅 (read time out)

解決方法: 因為是網絡鏈接超時, 需要切換鏡像源
例如：pip3 install -i https://pypi.doubanio.com/simple/ 模塊名

失敗三: cmd裡面顯示已經安裝過了, 或者安裝成功了, 但是在pycharm裡面還是無法導入

解決方法: 可能安裝了多個python版本 (anaconda 或者 python 安裝一個即可) 卸載一個就好
或者你pycharm裡面python解釋器沒有設置好

如何配置pycharm裡面的python解釋器?

選擇file(文件) >>> setting(設置) >>> Project(項目) >>> python interpreter(python解釋器)
點擊齒輪, 選擇add
添加python安裝路徑

pycharm如何安裝插件?

選擇file(文件) >>> setting(設置) >>> Plugins(插件)
點擊 Marketplace 輸入想要安裝的插件名字比如:翻譯插件輸入 translation / 漢化插件輸入 Chinese
選擇相應的插件點擊 install(安裝) 即可
安裝成功之後是會彈出重啟pycharm的選項點擊確定, 重啟即可生效

基本思路流程<通用>:

一. 數據來源分析

明確需求
通過開發者工具進行抓包分析, 分析manhua數據內容來於那裡一張manhua圖片<url地址> ----> 獲取本章節所有manhua內容來自於哪裡

二. 代碼實現步驟過程

發送請求, 對於剛剛分析得到圖片數據包url地址發送請求
獲取數據, 獲取服務器返回響應數據response
解析數據, 提取所有manhau圖片url地址
保存數據, 把manhua內容保存到本地文件夾

采集一本漫畫內容

采集多章manhua內容 —> 去找尋多個manhau數據包url地址 —> 分析請求url地址參數變化 —> 章節ID變化
只需要獲取所有manhua章節ID就可以了 —> 都目錄頁面列表頁面去分析找尋

發送請求, 對於manhau目錄頁面發送請求
獲取數據, 獲取服務器返回響應數據response
解析數據, 提取所有manhua章節ID以及manhua標題

代碼

因審核機制原因，我把網址裡的一些東西刪掉了，小可耐們可以自己添加一下哈，很容易的
還有兩個字，我用拼音代替了，你們可以改回文字哦 ~
如果有不太會改或者有點點小懶惰的小可耐也可以私信我，我發你吶~
（或查看並點擊網頁主頁（文章）左側的流動文字免費獲取哦~（可能需要往下劃一下吶））

導入模塊

# 導入數據請求模塊import requests# 導入格式化輸出模塊import pprint# 導入數據解析模塊import parsel# 導入文件操作模塊import os

確定網址

link = ''

加入偽裝

# headers請求頭偽裝headers = { # user-agent: 用戶代理 表示浏覽器基本身份標識 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36',}

發送請求

response_1 = requests.get(url=link, headers=headers)

獲取數據

# print(response_1.text)# 解析數據 獲取數據是什麼樣的, 選擇最適合的解析方法selector = parsel.Selector(response_1.text)lis = selector.css('.chapter__list-box .j-chapter-item')

獲取名字

name = selector.css('.de-info__box .comic-title::text').get()

自動創建文件

filename = f'{name}\\'if not os.path.exists(filename): os.mkdir(filename)for li in list(reversed(lis)): chapter_id = li.css('a::attr(data-chapterid)').get() chapter_title = li.css('a::text').getall()[-1].strip() print(chapter_id, chapter_title)

發送請求, 模擬浏覽器對於url地址發送請求
問號後面的內容, 都是屬於這個url的請求參數, 可以單獨用字典去接受
用python代碼模擬浏覽器, 是需要使用headers請求頭 —> 可以在開發者工具裡面進行復制粘貼
user-agent: 用戶代理表示浏覽器基本身份標識
如何快速批量替換:
選中替換的內容 ctrl + R 輸入正則表達式命令, 點擊全部替換

 (.*?): (.*) '$1': '$2',

請求url地址

—> 復制粘貼的

 # https://comic..com/chapter/content/v1/?chapter_id=996914&comic_id=211471&format=1&quality=1&sign=c2f14c1bdb0505254416907f504b4e03&type=1&uid=55123713 url = ''

請求參數

—> 復制粘貼的

 data = { 'chapter_id': chapter_id, 'comic_id': '211471', 'format': '1', 'quality': '1', 'sign': 'c2f14c1bdb0505254416907f504b4e03', 'type': '1', 'uid': '55123713', }

請求頭

用來偽裝python代碼的 —> 復制粘貼的

 headers = { 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36' }

發送請求

 response = requests.get(url=url, params=data, headers=headers) # <Response [200]> 響應對象, 200狀態碼 表示請求成功 print(response) # 獲取數據, 獲取服務器返回響應數據```python # response.text 獲取文本數據<數據類型: 字符串> response.json() 獲取json字典數據<數據類型: 字典> print(response.json())

解析數據

— > 獲取數據是什麼樣的, 選擇最適合的解析方法字典取值, 根據鍵值對提取數據內容
根據冒號左邊的內容[鍵], 提取冒號右邊的內容[值] —> 鍵值對取值鍵值對與鍵值對之間用逗號隔開的

 image_list = response.json()['data']['page'] # 列表裡面 num = 1 for image in image_list: # 就可以把列表<裝東西盒子>裡面元素, 一個一個提取出來 img_url =image['image'] print(img_url)

保存數據

—> 同樣是需要對圖片url地址發送請求, 並且獲取它數據內容 response.content 獲取二進制數據

 img_content = requests.get(url=img_url, headers=headers).content # 保存數據, 保存圖片 shipin 音頻 特定格式文件<zip ppt..> 獲取二進制數據內容 # mode模式保存方式 wb w寫入 b二進制 wb以二進制方式進行寫入 with open(filename + chapter_title + str(num) + '.jpg', mode='wb') as f: f.write(img_content) num += 1