基于Python实现ComicReaper漫画自动爬取脚本过程解析

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 urllibimport 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

标签中正好具有我们需要的标题和URL, 分别是标签的 title 属性与 href 属性, 我们将使用字典来存储它标签, 如果我们只是单纯地从HTML中过滤出标签, 这样我们会得到大量我们并不需要的标签, 这是不明智的, 我们必须只过滤出章节跳转链接的标签, 仔细观察, 发现章节跳转链接的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'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'

基于Python实现ComicReaper漫画自动爬取脚本过程解析

相关推荐