教你如何利用python3爬虫爬取漫画岛-非人哉漫画

最近学了一点点python爬虫的知识，面向百度编程爬了一本小说之后感觉有点不满足，于是突发奇想尝试爬一本漫画下来看看。

一、效果展示

首先是我们想要爬取的漫画网页：http://www.manhuadao.cn/

网页截图：

其次是爬取下来的效果：

每一回的文件夹里面是这样的： (因为网站图片的问题...所以就成了这个鬼样子)

二、分析原理

1、准备：需要vscode或者其他能够编译运行python的软件，推荐python版本3.X ，否则有可能出现编译问题。

下载所需模块：win+R进入命令行，输入pipinstall <模块名>即可下载。例如：

pip install beautifulsoup4

2、原理： 模拟浏览器点击->打开漫画网页链接->获取网页源码->定位每一章漫画的链接->模拟点击->获取图片页面源码->定位图片链接->下载图片

三、实际操作（代码附在最后）

1、引入模块 （这里不再详述）

2、模拟浏览器访问网页

(1)、这里我们打开漫画的目录页，如下： url = ”http://www.manhuadao.cn/Home/ComicDetail?id=58ddb07827a7c1392c234628“ ，此链接就是目录页链接。

(2)、按F12打开此网页的源码（谷歌浏览器），选中上方NetWork，Ctrl+R刷新。

(3)、找到加载网页的源码文件，点击Headers，如下图： StatusCode表示网页返回的代码，值为200时表示访问成功。

(4)、headers中的参数为下面红框User-Agent。

response = requests.get(url=url, headers=headers)  # 模拟访问网页
print(response)  # 此处应输出   <Response [200]>
print(response.text)   # 输出网页源码

两个输出分别输出：

输出返回200表示访问成功。

（节选）

(5)、将html代码存入 data 中，xpath定位每一章链接。点击上方Element，点击：

将鼠标移至目录处：

右边代码区域出现每一章链接：

data = etree.HTML(response.text)
# tp = data.xpath('//ul[@class="read-chapter"]/li/a[@class="active"]/@href')
tp = data.xpath('//*[@class="yesReader"]/@href')
zhang_list = tp   # tp为链接列表

输出zhang_list，结果如下：

(6)、获取图片链接（获取方式同上一步）

点进第一章，同上一步，寻找到图片链接：

i=1
for next_zhang in zhang_list:    # 在章节列表中循环
   i=i+1
   j=0
   hui_url = r_url+next_zhang
   name1 = "第"+str(i)+"回"
   file = 'C:/Users/wangyueke/Desktop/'+keyword+'/{}/'.format(name1)   # 创建文件夹
   if not os.path.exists(file):
       os.makedirs(file)
       print('创建文件夹：', file)
   response = requests.get(url=hui_url, headers=headers)    # 模拟访问每一章链接
   data = etree.HTML(response.text)
   # tp = data.xpath('//div[@class="no-pic"]//img/@src')
   tp = data.xpath('//div[@class="main-content"]//ul//li//div[@class="no-pic"]//img/@src')   # 定位
   ye_list = tp

(7)、下载图片

for k in ye_list:    # 在每一章的图片链接列表中循环
   download_url = tp[j]
   print(download_url)
   j=j+1
   file_name="第"+str(j)+"页"
   response = requests.get(url=download_url)    # 模拟访问图片链接
   with open(file+file_name+".jpg","wb") as f:
       f.write(response.content)

五、代码

'''
用于爬取非人哉漫画
目标网址：http://www.manhuadao.cn/
开始时间：2019/8/14 20:01:26
完成时间：2019/8/15 11:04:56
作者：kong_gu
'''
import requests
import json
import time
import os
from lxml import etree
from bs4 import BeautifulSoup

def main():
   keyword="非人哉"
   file = 'E:/{}'.format(keyword)
   if not os.path.exists(file):
       os.mkdir(file)
       print('创建文件夹：',file)
   r_url="http://www.manhuadao.cn/"
   url = "http://www.manhuadao.cn/Home/ComicDetail?id=58ddb07827a7c1392c234628"
   headers = {  # 模拟浏览器访问网页
       'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) \\Chrome/75.0.3770.142 Safari/537.36'}
   response = requests.get(url=url, headers=headers)
   # print(response.text)   # 输出网页源码
   data = etree.HTML(response.text)
   # tp = data.xpath('//ul[@class="read-chapter"]/li/a[@class="active"]/@href')
   tp = data.xpath('//*[@class="yesReader"]/@href')
   zhang_list = tp
   i=1
   for next_zhang in zhang_list:
       i=i+1
       j=0
       hui_url = r_url+next_zhang
       name1 = "第"+str(i)+"回"
       file = 'C:/Users/wangyueke/Desktop/'+keyword+'/{}/'.format(name1)    # 这里需要自己设置路径
       if not os.path.exists(file):
           os.makedirs(file)
           print('创建文件夹：', file)
       response = requests.get(url=hui_url, headers=headers)
       data = etree.HTML(response.text)
       # tp = data.xpath('//div[@class="no-pic"]//img/@src')
       tp = data.xpath('//div[@class="main-content"]//ul//li//div[@class="no-pic"]//img/@src')
       ye_list = tp
       for k in ye_list:
           download_url = tp[j]
           print(download_url)
           j=j+1
           file_name="第"+str(j)+"页"
           response = requests.get(url=download_url)
           with open(file+file_name+".jpg","wb") as f:
               f.write(response.content)

if __name__ == '__main__':
   main()

来源：https://www.cnblogs.com/kong-gu/p/11360308.html