爬虫-漫画喵的100行逆袭

   <p>小喵的唠叨话：这次的博客，讲的是使用python编写一个爬虫工具。为什么要写这个爬虫呢？原因是小喵在看完《极黑的布伦希尔特》这个动画之后，又想看看漫画，结果发现各大APP都没有资源，最终好不容易找到一个网站可以看，但是由于网速太渣，看起来额外的费劲。这时候如果能提前下载下来就好了。</p>    <p>原因就是这样，作为技术喵，任何问题都不能阻碍一颗爱漫画的心。所以问题就来了，挖掘机技修哪家强？</p>    <p>在bing上搜索Python、爬虫框架。找到大家常用的框架。</p>    <p>Scrapy似乎是个很不错的选择。至于相对于其他框架的优点，小喵没有细查，至少这个框架是之前听过的。但是在实现的时候发现有一些问题，scrapy不能直接抓取动态的页面。小喵需要抓取的网站的漫画都是使用Ajax生成的。需要自己分析各种数据，这个有点麻烦。</p>    <p>那么有没有可以渲染页面的工具呢？像浏览器一样的？有。</p>    <p>这里介绍两个工具：</p>    <p>PhantomJs ，可以理解是一个浏览器。不过它没有界面，我们可以通过js的代码模拟用户的行为。这就要求了解它的api并有js基础了。</p>    <p>Selenium ，这是个浏览器自动化测试框架。它依赖于浏览器（这个浏览器也可以是PhantomJs），通过Selenium可以模拟用户的行为。而且有Python接口，所以相对简单一些。</p>    <p>我们这个爬虫使用selenium + phantomjs来实现。</p>    <p>哟，这个爬虫软件应该有个响当当的名字。。。就叫 <strong>漫画喵</strong> 吧，英文名 <strong>Cartoon Cat</strong> 。</p>    <p>下面我们一点点的介绍这个爬虫的实现过程吧。</p>    <h2>一、初生-环境搭建</h2>    <p>小喵这里选用Python作为开发语言，框架是selenium。原因是python经常用来写爬虫，selenium可以用来模拟用户行为，PhantomJs是可选的，不过小喵最终会在一个服务器上运行，所以也是需要的。</p>    <p>为了不影响本机上的python，我们还需要使用virtualenv来创建一个独立的python环境。具体步骤如下：</p>    <h3>1、安装virtualenv</h3>    <p>virtualenv是一个常用的用来创建python环境的工具。小喵用这个有两个原因，一是为了不污染本机的环境，二是在本机直接安装库的时候出了一个权限的问题。</p>    <p>virtualenv的安装十分简单，使用pip工具就可以安装。</p>    <pre>  <code class="language-python">pipinstallvirtualenv  </code></pre>    <p>待程序执行结束，你就会开心的发现自己已经有了virtualenv这个工具了。</p>    <h3>2、创建python环境</h3>    <p>virtualenv的使用非常的方便。</p>    <p>建立新的运行环境： virtualenv</p>    <p>进入相应的独立环境： source /bin/activate</p>    <p>执行完第一个指令后，就会创建成功一个python环境，执行第二个指令后，就会发现命令行的起始位置有变化。这时候python、pip等工具就变成使用这个新环境的了，当然也可以使用 which python 来查看。</p>    <h3>3、安装selenium</h3>    <p>进入新环境后，pip安装的依赖库都会在新环境中安装，不会影响主机自身的python。使用pip 安装selenium：</p>    <pre>  <code class="language-python">pipinstallselenium  </code></pre>    <p>至此，我们的基本环境就搭建完了。</p>    <h3>4、安装PhantomJs</h3>    <p>这个只在从官网上下载就可以： <a href="/misc/goto?guid=4958863865391807116" rel="nofollow,noindex">http://phantomjs.org/download.html</a></p>    <p>小喵的本地实验环境是Mac，所以下载了Mac版本。解压之后就可以使用。</p>    <h2>二、寻觅-搜资源</h2>    <p>小喵想看的这个漫画貌似各大网站都没有资源，在费了九牛二虎之力后，终于找到了一个网站！ <a href="/misc/goto?guid=4959740401951028946" rel="nofollow,noindex">http://www.tazhe.com/mh/9170/</a> 。</p>    <p>每个网站的结构都不相同，因此都需要定制一套爬虫程序。本文的爬虫就只能针对这个漫画网站使用，喵粉们需要爬其他网站的话，需要自己做相应的修改。</p>    <h2>三、分析-资源解析</h2>    <p>这里需要解析两个页面，一个是漫画的首页，比如前面的： <a href="/misc/goto?guid=4959740401951028946" rel="nofollow,noindex">http://www.tazhe.com/mh/9170/</a></p>    <p>另一个就是具体章节的页面。</p>    <h3>1，首页</h3>    <p>为了减小图片的大小，小喵把窗口做了缩放。首页大致是这个样子。</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/9dcaa302db9f4e45d64b9d62834ffe2d.png"></p>    <p>图1 漫画首页</p>    <p>各类信息十分的明了。我们关注的就是下面的漫画列表。通过Chrome强大的 <strong>审查元素</strong> 的功能，我们立刻就能定位到章节的位置。（ <strong>对着感兴趣的位置->右键->审查</strong> 就能找到）</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/5a5dd9727b567936d61ad7a7abdb7c6e.png"></p>    <p>图2 章节的节点</p>    <p>可以看到，章节所在的区域的 id 是 play_0 ，学过前端的童鞋都应该知道，一个页面中 id 通常唯一标示一个节点。因此如果我们能够获取这个页面的话，查找 id 为 play_0 的节点就能一下子缩小搜索范围。</p>    <p>而每个章节的信息都是一个 a 标签，标签的 href 是对应章节的具体网址，标签的文本部分是章节名。这样相对关系就得出了： div#play_0 > ul > li > a 。</p>    <p>首页的分析就到此结束。</p>    <h3>2、章节页面</h3>    <p>我们随意打开一个具体章节的页面。比如： <a href="/misc/goto?guid=4959740402051805316" rel="nofollow,noindex">http://www.tazhe.com/mh/9170/1187086.html</a></p>    <p>引入眼帘的是一个很干净的页面（简直是漫画界的清流，好多漫画网站上全部是广告）。</p>    <p>我们把鼠标放在图片这个区域->右键->审查。</p>    <p>咦，我们的右键怎么按不了？</p>    <p>其实呢，这个现象在小说网站上遇到的机会会更多。当我们看到比较优美的文字或是炫酷的图片，都会下意识的选中->右键->保存。而很多时候，这些资源都是有版权的。并不应该随意的传播（狠狠的打了自己的脸/(ㄒoㄒ)/~~）。因此限制鼠标右键会是一个很简单却有效的办法。</p>    <p>那么我们如何绕过这个陷阱呢？</p>    <p>很简单，我们不用右键即可。打开浏览器的开发者工具选项，找到elements这个选项。可以看到一个复杂的结构（其实和上面审查元素之后的结果一样）。之后不断的选中标签，当标签被选中时，左侧页面中对应的位置会有蓝色。多试几次，最终就能找到对应的位置。</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/4ec0e988b6235183e1099814b426a27f.png"></p>    <p>图3 漫画图片</p>    <p>这是一个 img 标签，对应的 id 是 qTcms_pic 。这样找到这个 id ，就能找到这个 img 标签，根据 src 就能找到图片的具体URI地址。</p>    <p>接下来是找到下一张图片的地址。这时候需要查看下一页这个按钮的内容。用相同的方法，很容易定位成功。</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/ada5b709c5ed69b7c2237ca1c02644b4.png"></p>    <p>图4 下一页</p>    <p>小喵本来是用scrapy来做爬虫的，看到这里的时候就果断放弃了。我们分析一下，选中的 a 标签的代码如下：</p>    <pre>  <code class="language-python"><a class="next" href="javascript:a_f_qTcms_Pic_nextUrl_Href();" title="下一页"><span>下一页</span></a>  </code></pre>    <p>比较简单的网站，“下一页”可以用真的 a 标签和 href 属性来做。这样的好处是实现比较简单，坏处是一旦得到网页源码就能很容易的解析。而像scrapy这样的爬虫工具只能抓取静态的代码（动态的需要自己分析ajax，有点麻烦）。而显然这里的页面是动态的，使用了ajax来实现。所以光是得到网页源码并不能真的得到图片，而是必须让其中的js代码运行才可以。所以我们才需要使用浏览器或者PhantomJs这样的可以执行js代码的工具。</p>    <p>上面的 a 标签的代码告诉了我们很多信息。首先是告诉了我们，这个节点的位置，通过 next 这个类名可以方便的找到该节点（其实有两个类名为 next 的按钮，另一个在下面，但是功能都一样）。其次，当这个按钮被点击时会调用： a_f_qTcms_Pic_nextUrl_Href() 这个js函数。难道我们需要再研究这个函数？</p>    <p>不用。因为PhantomJs的角色就是一个浏览器。我们只需要向真正的用户一样点击一下这个 next 按钮，就会进入下一个页面。/* 感受到这个工具的强大了吗？ */</p>    <h3>3、判断章节的末尾</h3>    <p>最后一个问题就是，如何判断这个章节结束了？</p>    <p>我们跳到章节的最后一页，然后再次点击“下一页”，这时候会出现一个弹窗。</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/7929702141c960a47bf8361454e58180.png"></p>    <p>图5 最后一页</p>    <p>多次试验之后，我们会发现，只有在最后一页的时候才会弹出这个弹窗，这样的话，我们每抓取完一页，点击一次“下一页”，判断有无弹窗就知道是不是最后一页了。在右侧的开发者工具中我们能够看到，这个弹窗是一个 id 为 msgDiv 的 div （而且它的出现和消失是通过增减节点来实现的，另一种实现方法是将 display 设成 none 和 block ，这种情况可以根据display的属性来判断）。所以我们判断这个节点存不存在就行了。</p>    <p>至此，两种页面的解析都完成了。下一步就开始我们的代码实现吧。</p>    <h2>四、逆袭——代码实现</h2>    <h3>1，selenium的简单用法</h3>    <pre>  <code class="language-python">from seleniumimport webdriver     browser = webdriver.Firefox()  # browser = webdriver.Safari()  # browser = webdriver.Chrome()  # browser = webdriver.Ie()  # browser = webdriver.PhantomJs()     browser.get('http://baidu.com')     print browser.title  # do anything you want  </code></pre>    <p>上面是一个简单的例子，第一步import依赖的库。</p>    <p>第二步，获得一个浏览器实例。selenium支持多种浏览器。使用firefox之外的浏览器都需要下载驱动（selenium本身自带了firefox的驱动）。驱动下载地址： <a href="/misc/goto?guid=4959615867675791569" rel="nofollow,noindex">https://pypi.python.org/pypi/selenium</a> 。驱动下载完之后将它的路径加入到 <em>PATH</em> 里，确保驱动程序能够被访问到。或者显式的把驱动程序的地址当参数传入。像下面一样调用：</p>    <pre>  <code class="language-python">browser = webdriver.PhantomJs('path/to/phantomjs')  </code></pre>    <p>第三步，用get的方式打开网页。</p>    <p>最后，通过browser对象来解析和处理页面。</p>    <h3>2，获取章节的链接信息</h3>    <p>在上面的解析页面的时候，我们知道了章节信息的位置： div#play_0 > ul > li > a 。这样就可以解析出章节信息。browser支持一大堆的选择器。大大简化我们查找节点的工作。</p>    <pre>  <code class="language-python">from seleniumimport webdriver     if __name__ == "__main__":      driver = "path/to/driver" # 驱动地址      browser = webdriver.PhantomJS(driver) # 浏览器实例         main_page = "http://www.tazhe.com/mh/9170/"      browser.get(main_page) # 加载页面         # 解析出章节的元素节点      chapter_elem_list = browser.find_elements_by_css_selector('#play_0 ul li a') # 通过css选择器找出章节节点      chapter_elem_list.reverse()  # 原本的章节是倒叙的         chapter_list = []      for chapter_elemin chapter_elem_list:          # 元素的text和href属性分别就是章节的名称和地址          chapter_list.append((chapter_elem.text, chapter_elem.get_attribute('href')))         # chapter_list 就是章节的信息  </code></pre>    <h3>3，给定一个章节的地址，章节中的图片</h3>    <p>这一步涉及到节点的获取、模拟鼠标的点击以及资源的下载。selenium的点击实现特别的人性化。只需要获取节点然后调用 click() 方法就搞定。资源的下载网上有许多教程，主要有两个方法，通过模拟 <strong>右键另存为</strong> ，和 <strong>获取url用其他工具下载。</strong> 考虑到这里的右键不一定可用，而且操作有一点点复杂。小喵选用了第二种方案。</p>    <pre>  <code class="language-python">from seleniumimport webdriver  from selenium.common.exceptions import NoSuchElementException  import os  from os import pathas osp  import urllib     # 一个简单的下载器  download(url, save_path):      try:          with open(save_path, 'wb') as fp:              fp.write(urllib.urlopen(url).read())      except Exception, et:          print(et)        if __name__ == "__main__":            driver = "path/to/driver" # 驱动地址      browser = webdriver.PhantomJS(driver) # 浏览器实例         chapter_url = "http://www.tazhe.com/mh/9170/1187061.html"      save_folder = "./download"         if not osp.exists(save_folder):          os.mkdir(save_folder)         image_idx = 1         browser.get(chapter_url) # 加载第一个页面         while True:          # 根据前文的分析，找到图片的URI地址          image_url = browser.find_element_by_css_selector('#qTcms_pic').get_attribute('src')          save_image_name = osp.join(save_folder, ('%05d' % image_idx) + '.' + osp.basename(image_url).split('.')[-1])          download(image_url, save_image_name) # 下载图片             # 通过模拟点击加载下一页，注意如果是最后一页，会出现弹窗提示          browser.find_element_by_css_selector('a.next').click()          try:              # 找寻弹窗，如果弹窗存在，说明这个章节下载完毕，这个大循环也就结束了              browser.find_element_by_css_selector('#bgDiv')              break          except NoSuchElementException:              # 没有结束弹窗，继续下载              image_idx += 1  </code></pre>    <h2>五、终焉-写在后面</h2>    <p>至此，漫画喵的设计思路和主要的代码实现都介绍完了。上面的代码只是用来示意，小喵自己下载漫画用的代码是另一套。github的地址是： <a href="/misc/goto?guid=4959740402145719633" rel="nofollow,noindex">https://github.com/miaoerduo/cartoon-cat</a> 。项目只有100多行。不过也用了小喵不少的一段时间。</p>    <p>博客写完了~小喵的漫画也下完了~</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/5316385ab88c04d9d2030ff40c6537aa.png"></p>    <p>图6 下载好的漫画</p>    <p>如果您觉得本文对您有帮助，那请小喵喝杯茶吧~~O(∩_∩)O~~</p>    <p> </p>    <p> </p>    <p> </p>    <p>来自：http://python.jobbole.com/87434/</p>    <p> </p>