前言

今天俺女朋友说她想换情侣头像了，但是没有啥可选的图片，我说你先别急，等我一会儿。

我冲冲冲赶紧爬取了2w张图片，随她想咋挑就咋挑。

部分图片展示

数据来源

url：https://www.woyaogexing.com/

情侣专区：https://www.woyaogexing.com/touxiang/qinglv/

数据爬取

• F12：查看网页源代码

经过定位发现这里面分了许多类，每一个分类对应一个图片组，点开图片链接后，进入里面，发现有许多头像。

分析源代码：

每一张图片都有一个超链接：

首先我们要爬取每一分类的链接，之后再对每一个分类下的图片下载下来。

可以看到，每个分类的url都在 <a href=" ">

所以这里我们首先需要正则提取出所有分类的url。

<a href="(.*?)" class="img"

代码如下：

# 爬取我要个性网中情侣头像
import requests
import re

# 获取情侣头像分类链接
def getCategory(url):
    # 获取请求对象
    resp = requests.get(url)
    # 设置编码
    resp.encoding = resp.apparent_encoding

    # 打印访问请求状态码200
    print(resp.status_code)
    # 跨行匹配所有字符
    # pattern = re.compile('class="txList ".*?href="(.*?)"', re.S)
    pattern = re.compile('<a href="(.*?)" class="img"')
    # print(resp.text)

    # 打印分类的链接
    result = re.findall(pattern, resp.text)

    print('分类链接数：', len(result))
    print('分类链接:')
    print(result)
    return result

成功提取到所有分类的url。

接下来就可以下载每一个分类中的所有图片了。

分析源代码

每一个分类下的图片链接都在 <img class="lazy" src=">里面。

所以这里我们首先需要正则提取出所有图片的url。

<img class=“lazy” src="(.*?)"

def saveImg(links):
    num = 1
    for link in links:
        # 获取请求对象
        resp = requests.get('https://www.woyaogexing.com' + link)
        # 设置编码
        resp.encoding = resp.apparent_encoding

        # 打印访问请求状态码200
        print(resp.status_code)
        # 跨行匹配所有字符
        pattern = re.compile('<img class="lazy" src="(.*?)"')
        # print(resp.text)

        # 打印分类的链接
        imgLinks = re.findall(pattern, resp.text)
        print(imgLinks)

成功提取到所有图片的url。

接下来就可以下载所有图片了。

# 遍历图片的url
for imgLink in imgLinks:
   resp = requests.get('https:' + imgLink)
   with open('./headportrait/%d.jpg'%num, 'wb') as fin:
       fin.write(resp.content)  # 写入图片二进制
       print('正在下载第%d图片'%num + "http:" + imgLink)
       num += 1

结果展示如下：

至此，图片已经成功下载至本地。代码提升和优化的空间还很大。我只是实现了基本的功能。

完整代码

# 爬取我要个性网中情侣头像
import requests
import re

# https://www.woyaogexing.com/touxiang/qinglv/2021/1142219.html

# 获取情侣头像分类链接
def getCategory(url):
    # 获取请求对象
    resp = requests.get(url)
    # 设置编码
    resp.encoding = resp.apparent_encoding

    # 打印访问请求状态码200
    print(resp.status_code)
    # 跨行匹配所有字符
    # pattern = re.compile('class="txList ".*?href="(.*?)"', re.S)
    pattern = re.compile('<a href="(.*?)" class="img"')
    # print(resp.text)

    # 打印分类的链接
    result = re.findall(pattern, resp.text)

    print('分类链接数：', len(result))
    print('分类链接:')
    print(result)
    return result

def saveImg(links):
    num = 1
    for link in links:
        # 获取请求对象
        resp = requests.get('https://www.woyaogexing.com' + link)
        # 设置编码
        resp.encoding = resp.apparent_encoding

        # 打印访问请求状态码200
        print(resp.status_code)
        # 跨行匹配所有字符
        pattern = re.compile('<img class="lazy" src="(.*?)"')
        # print(resp.text)

        # 打印分类的链接
        imgLinks = re.findall(pattern, resp.text)
        print(imgLinks)

        # 遍历图片的url
        for imgLink in imgLinks:
            resp = requests.get('https:' + imgLink)
            with open('./headportrait/%d.jpg'%num, 'wb') as fin:
                fin.write(resp.content)  # 写入图片二进制
                print('正在下载第%d图片'%num + "http:" + imgLink)
                num += 1

if __name__ == "__main__":
    # 访问地址
    url = 'https://www.woyaogexing.com/touxiang/qinglv/'
    # 获取情侣头像各个分类的链接
    links = getCategory(url)
    saveImg(links)

后序

该内容还有很多，接下来可以遍历所有页，数据量很大，大约2w张图片，经过分析发现每一页的url类似，所以直接for循环重复以上代码就可以。

url：/touxiang/qinglv/index_num.html

注意：一定要拼接url，在前面加上’https://www.woyaogexing.com’

正则表达式：请参考 程序员必学的《正则表达式》

爬虫基础：请参考 小白必学的爬虫基础

Thanks♪(･ω･)ﾉ

感谢女朋友这多年的陪伴与支持！LOVE YL (*￣︶￣)

加油!

努力！

感谢!