
# -*- coding:utf-8 -*- # 声明:知乎上某个答主写的爬虫脚本,代码没有整理,自己重新整理排版了,已经调试并通过 # 本人 Java 程序员,对 python 不熟,不过代码里面逻辑大概能看懂一些,这位答主的脚本是 python2 写的, # 我自己是 python3 的环境,所以有些细微的改动,目的是为了兼容 python3 可以正常运行 # # 原始脚本地址: https://www.zhihu.com/question/297715922/answer/676693318 # 如果觉得我冒犯了你的话,可以私信联系我,我删除。 import re import requests import os import urllib.request import ssl from urllib.parse import urlsplit from os.path import basename # 全局禁用证书验证 ssl._create_default_https_cOntext= ssl._create_unverified_context headers = { 'User-Agent': "Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36", 'Accept-Encoding': 'gzip, deflate' } def mkdir(path): if not os.path.exists(path): print('新建文件夹:', path) os.makedirs(path) return True else: print(u"图片存放于:", os.getcwd() + os.sep + path) return False def download_pic2(img_lists, dir_name): print("一共有{num}张照片".format(num=len(img_lists))) # 标记下载进度 index = 1 for image_url in img_lists: file_name = dir_name + os.sep + basename(urlsplit(image_url)[2]) # 已经下载的文件跳过 if os.path.exists(file_name): print("文件{file_name}已存在。".format(file_name=file_name)) index += 1 continue auto_download(image_url, file_name) print("下载{pic_name}完成!({index}/{sum})".format(pic_name=file_name, index=index, sum=len(img_lists))) index += 1 def auto_download(url, file_name): # 递归下载,直到文件下载成功 try: urllib.request.urlretrieve(url, file_name) except urllib.request.ContentTooShortError: print("文件下载不完整,重新下载。") auto_download(url, file_name) except urllib.request.URLError: print("网络连接出错,尝试重新下载。") auto_download(url, file_name) def download_pic(img_lists, dir_name): print("一共有{num}张照片".format(num=len(img_lists))) for image_url in img_lists: respOnse= requests.get(image_url, stream=True) if response.status_code == 200: image = response.content else: continue file_name = dir_name + os.sep + basename(urlsplit(image_url)[2]) try: with open(file_name, "wb") as picture: picture.write(image) except IOError: print("IO Error\n") continue finally: picture.close() print("下载{pic_name}完成!".format(pic_name=file_name)) def get_image_url(qid, headers): # 利用正则表达式把源代码中的图片地址过滤出来 # reg = r'data-actualsrc="(.*?)">' tmp_url = "https://www.zhihu.com/node/QuestionAnswerListV2" size = 10 image_urls = [] session = requests.Session() while True: postdata = {'method': 'next', 'params': '{"url_token":' + str(qid) + ',"pagesize": "10",' + '"offset":' + str(size) + "}"} page = session.post(tmp_url, headers=headers, data=postdata) ret = eval(page.text) answers = ret['msg'] print(u"答案数:%d" % (len(answers))) size += 10 if not answers: print("图片 URL 获取完毕, 页数: ", (size - 10) / 10) return image_urls # reg = r'https://pic\d.zhimg.com/[a-fA-F0-9]{5,32}_\w+.jpg' imgreg = re.compile('data-original="(.*?)"', re.S) for answer in answers: tmp_list = [] url_items = re.findall(imgreg, answer) for item in url_items: # 这里去掉得到的图片 URL 中的转义字符'\\' image_url = item.replace("\\", "") tmp_list.append(image_url) # 清理掉头像和去重 获取 data-original 的内容 tmp_list = list(set(tmp_list)) # 去重 for item in tmp_list: if item.endswith('r.jpg'): print(item) image_urls.append(item) print('size: %d, num : %d' % (size, len(image_urls))) if __name__ == '__main__': title = '拥有一副令人羡慕的好身材是怎样的体验?' question_id = 297715922 # title = '身材好是一种怎样的体验?' # question_id = 26037846 # title = '女孩子胸大是什么体验?' # question_id = 291678281 # title = '女生什么样的腿是美腿?' # question_id = 310786985 # title = '你的择偶标准是怎样的?' # question_id = 275359100 # title = '什么样才叫好看的腿?' # question_id = 63727821 # title = '身材对女生很重要吗?' # question_id = 307403214 # title = '女生腿长是什么样的体验?' # question_id = 273711203 # title = '女生腕线过裆是怎样一种体验?' # question_id = 315236887 # title = '有着一大长腿是什么感觉?' # question_id = 292901966 # title = '拥有一双大长腿是怎样的体验?' # question_id = 285321190 # title = '大胸女生如何穿衣搭配?' # question_id = 26297181 # title = '胸大到底怎么穿衣服好看?' # question_id = 293482116 zhihu_url = "https://www.zhihu.com/question/{qid}".format(qid=question_id) path = str(question_id) + '_' + title mkdir(path) # 创建本地文件夹 img_list = get_image_url(question_id, headers) # 获取图片的地址列表 download_pic2(img_list, path) # 保存图片 1 libaibuaidufu 2019-05-20 17:59:43 +08:00 可以运行 图片不错哦 是不是环境没有配对 |
2 xabc 2019-05-20 18:02:18 +08:00 原谅我 ,我笑了 |
3 Ultraman 2019-05-20 18:02:35 +08:00 via Android 1024 |
4 Outliver0 2019-05-20 18:03:13 +08:00 能跑,我直接复制的代码,图片可以的 |
5 libaibuaidufu 2019-05-20 18:03:27 +08:00 第一个就 3000 张图片 知乎会不会把我 ip 限制了 |
6 Outliver0 2019-05-20 18:15:15 +08:00 我下了六百多,关了,怕被封 |
7 zhze93 2019-05-20 18:17:53 +08:00 我佛了 |
8 jdgui 2019-05-20 18:22:12 +08:00 我怀疑你是来开车的,但是我没有证据 |
9 CSM 2019-05-20 18:55:16 +08:00 via Android 感谢分享,楼主好人一生平安 |
10 kkjinping 2019-05-20 19:03:20 +08:00 这是啥,是车吗 |
11 j4fun 2019-05-20 19:06:06 +08:00 我怀疑你是来开车的,但是我没有证据 |
12 IsA26hN4DcQDS7Z9 2019-05-20 19:09:06 +08:00 楼主你好,楼主再见 |
13 lonelygo 2019-05-20 19:27:56 +08:00 疑车无据 |
14 Eiden 2019-05-20 19:33:24 +08:00 via Android 不多说了,感谢楼主 |
15 fuchunliu 2019-05-20 21:22:30 +08:00 via Android 看了评论,赶紧打开电脑跑一下是啥图片 |
16 xloong 2019-05-20 21:33:25 +08:00 via iPhone 给 requests 等网络请求增加超时限制 |
17 Takamine 2019-05-20 21:33:34 +08:00 楼主放我出去,这不是去幼儿园的车!!! |
18 wfd0807 2019-05-20 21:42:06 +08:00 设置超时时间,以前遇到过,requests 默认超时不报错,会一直等下去 |
19 hmxxmh 2019-05-20 21:44:03 +08:00 谢谢,是你带我走上了爬虫的道路 |
20 hasoidhaio 2019-05-20 21:48:29 +08:00 好人一生平安 xd |
21 purgle 2019-05-20 22:31:13 +08:00 via Android 一般是请求读超时阻塞了,对于外部请求,最好把 connect timeout 和 read timeout 都加上 |
22 stzz 2019-05-20 23:07:37 +08:00 本人 Python 也不熟,但看到代码里的中文,我觉得我可以熟 |
23 dingyaguang117 2019-05-20 23:16:14 +08:00 不用看内容就知道是 socket 超时没设置 |
24 Zakl21 2019-05-21 00:42:12 +08:00 via Android 我要试试了 |
25 mrnull0 2019-05-21 01:02:48 +08:00 看前面说的,可能是 socket 的坑,这个坑我遇到过,只能加上延时了 |
26 sama666 2019-05-21 07:44:59 +08:00 via Android 这不是开往秋名山的车,放我下来 |
27 xwcs 2019-05-21 08:01:33 +08:00 via Android 我怀疑你在开车但是我没有证据,请求超时了吧 |
28 zw1027 2019-05-21 08:24:54 +08:00 楼主好人一生平安 |
29 wwg1994 2019-05-21 08:27:26 +08:00 我怀疑你在开车,并且证据确凿(俺硬盘都满了!) |
30 d0m2o08 2019-05-21 08:32:44 +08:00 立即靠边停车,接受检查! |
31 dreamusername 2019-05-21 08:58:49 +08:00 龟龟如何提高 python 爬虫水平 |
32 mojito OP @libaibuaidufu 我的也能跑 但是下到 50 多张的时候就停了 没反应! |
35 keepeye 2019-05-21 09:04:41 +08:00 这么漂亮的屁股,答应我别用来拉屎好吗? 233333 |
37 JimmyTinsley 2019-05-21 09:21:30 +08:00 以前还用过 tumblr 一键拉图的脚本, 那个更伤身体[滑稽] |
38 libaibuaidufu 2019-05-21 09:25:33 +08:00 @mojito 我 3000 多张都下载完了。。。。。 是不是你测试很多次 然后被封了 还能看知乎吗。。。 |
39 tikazyq 2019-05-21 09:33:29 +08:00 不管是不是开车,爬友们可以关注下爬虫平台 crawlab,更方便的管理你的爬虫,https://github.com/tikazyq/crawlab |
40 coeo91 2019-05-21 09:33:47 +08:00 via iPhone 我桌面上莫名出现新建文件夹是不是有爬虫来过? |
41 ervqq 2019-05-21 09:44:40 +08:00 代码车。。。。 |
42 mojito OP @libaibuaidufu 还能看 |
44 gimp 2019-05-21 10:30:09 +08:00 我怀疑你在开车,并且电脑里已经保存了证据! |
45 MilkShake 2019-05-21 10:34:54 +08:00 楼主,你不用代理么,胆子这么大么= = |
46 CatTom 2019-05-21 10:40:50 +08:00 车门已焊死,谁都别想下 https://s2.ax1x.com/2019/05/21/EzN6BR.png |
47 zhangpeter 2019-05-21 10:42:17 +08:00 上车了 |
48 liKeYunKeji 2019-05-21 10:56:41 +08:00 |
49 xiaohuangya 2019-05-21 11:23:39 +08:00 我可以下载完成一个问题的图片,没有卡住。 |
50 Motoi 2019-05-21 11:27:05 +08:00 快让我下车 |
51 karottc 2019-05-21 12:01:17 +08:00 via iPhone 没问题。正常运行完成,一行没改。 下载 297715922_拥有一副令人羡慕的好身材是怎样的体验?/v2-84eef01f7096b357aa0ae6f84aa65651_r.jpg 完成!(2974/2975) 下载 297715922_拥有一副令人羡慕的好身材是怎样的体验?/v2-db77d7aebfea4516c2e05c06cbca9532_r.jpg 完成!(2975/2975) |
52 jakeyfly 2019-05-21 15:16:13 +08:00 @dingyaguang117 scoket 怎么加延迟啊 |
53 TimPeake 2019-05-21 15:19:05 +08:00 楼主好人一生平安 |
54 usingnamespace 2019-05-21 15:19:29 +08:00 via iPhone @dreamusername 爬虫真的是个简单玩意 大部分都跟好爬的 除了一些地狱难度的 |
55 usingnamespace 2019-05-21 15:21:22 +08:00 via iPhone @coeo91 别人怎么可能可以在你那儿建文件夹 |
56 gosansam 2019-05-21 15:24:03 +08:00 稍等我安装一个 p3 的环境嗷 |
57 lofbat 2019-05-21 15:26:48 +08:00 疑开车,无证据 |
58 sola97 2019-05-21 15:47:58 +08:00 这个下载不行,会卡住,存一下 url 然后 aria2c -i 即可 |
59 wangfei324017 2019-05-21 16:01:11 +08:00 |
60 gosansam 2019-05-21 16:09:54 +08:00 下载 297715922_拥有一副令人羡慕的好身材是怎样的体验?/v2-c12cfa89db2468492f195061f13c4420_r.jpg 完成!(2982/2982) |
62 xdlucky 2019-05-21 16:15:33 +08:00 下好的老哥能不能给个网盘, 我想看看爬虫的质量如何, 谢谢 |
63 jxf2008 2019-05-21 16:16:50 +08:00 ```c++ while(0) { } ``` 楼主干脆把你的测试网站一起贴上来吧。。 |
64 glaucus 2019-05-21 16:17:29 +08:00 LZ 好人,变相发福利 |
65 aborigine 2019-05-21 16:19:15 +08:00 加了个循环已经跑到第四个问题了 |
66 ETiV 2019-05-21 16:21:33 +08:00 via iPhone …… 希望 iCloud 剪切板可以保持到我拉完屎还能在电脑上粘贴 |
67 registerrr 2019-05-21 16:23:06 +08:00 运行了一半我给它停住了,只建了个空文件夹没有下载? |
68 onecode 2019-05-21 16:24:01 +08:00 那个,有没有搞个机器学习把跟主题无关的图片过滤掉呢 |
69 ioschen 2019-05-21 16:25:02 +08:00 以前看过爬虫作者发的这个, 你复制过来开车干嘛,开车痕迹太大 ------------------------- python2 用户 改动 1 import urllib #import urllib.request 改动 2 from urlparse import urlsplit #from urllib.parse import urlsplit 做两处改动,然后所有的 urllib.request 改为 urllib |
70 wqzjk393 2019-05-21 16:30:40 +08:00 之前写的一个,只要 request 出错就暂停几秒钟然后随机更换 agent ip 之类的,继续做 request,直到成功才跳出循环。。用这个爬了笔趣阁好几本书。。。( https://s2.ax1x.com/2019/05/21/VSAF0A.png) |
71 onecode 2019-05-21 16:31:07 +08:00 |
72 l0o0 2019-05-21 16:33:35 +08:00 我这边测试了之后达到了最大的循环数,就停止了 |
73 fhsan 2019-05-21 16:34:25 +08:00 |
74 goodryb 2019-05-21 16:44:24 +08:00 代码没毛病,似乎知乎没有因为这种情况屏蔽 IP |
75 imyip 2019-05-21 16:51:54 +08:00 刚好在写队列, 把 img_list 扔进队列,开启多线程下载 |
76 danson1895 2019-05-21 16:53:06 +08:00 疑车无据 |
77 SbloodyS 2019-05-21 16:53:58 +08:00 这个车。。。 |
78 killerv 2019-05-21 16:56:32 +08:00 我怀疑你在开车 |
79 luolw1998 2019-05-21 16:56:59 +08:00 图不错 |
80 Rooney 2019-05-21 17:01:37 +08:00 楼主牛批,让我这个基本上不懂编程的非计算机专业的小白,在自己的摸索下第一次体验了爬虫的快乐,千言万语,不如一句先撸为精。 |
81 skymei 2019-05-21 17:05:29 +08:00 感谢楼主,已上车 |
82 Immortal 2019-05-21 17:15:05 +08:00 加入收藏 从此走上爬虫路 |
83 WantMarryGakki 2019-05-21 17:20:21 +08:00 等一个大神上传,分享链接 |
84 wangfei324017 2019-05-21 17:26:37 +08:00 6ZO+5o6lOmh0dHBzOi8vcGFuLmJhaWR1LmNvbS9zLzFsa3lLWHFlc005SFpWSFlkVkFObU9nICDlr4bnoIE6bWJlaw== @WantMarryGakki #83 @Immortal #82 |
85 564425833 2019-05-21 17:32:16 +08:00 #84 大佬已经给了 |
86 a781305886 2019-05-21 17:45:41 +08:00 为了看福利 我踏马一个 php 跑去学了一下午的 py 终于跑起了 |
87 siboom 2019-05-21 17:53:50 +08:00 1024 |
88 yuanyunguoyan 2019-05-21 17:56:11 +08:00 成功运行,谢谢楼主 |
89 hyy1995 2019-05-21 17:56:44 +08:00 这个开车方式,很别致 |
90 aa1072551507 2019-05-22 12:07:35 +08:00 很好,看到这 我觉得我前端要转爬虫了 |
91 jzds001 2019-05-22 15:45:51 +08:00 |