本文适合于熟悉Python编程且对互联网高清图片饶有兴趣的筒鞋。读完本文后，将学会如何使用Python库批量并发地抓取网页和下载图片资源。只要懂得如何安装Python库以及运行Python程序，就能使用本文给出的程序批量下载指定图片啦！
在网上冲浪的时候，总有些“小浪花”令人喜悦。没错，小浪花就是美图啦。边浏览边下载，自然是不错的；不过，好花不常开，好景不常在，想要便捷地保存下来，一个个地另存为还是很麻烦的。能不能批量下载呢？
目标
太平洋摄影网， 一个不错的摄影网站。 如果你喜欢自然风光的话，不妨在上面好好饱览一顿吧。饱览一会，或许你还想打包带走呢。这并不是难事，让我们顺藤摸瓜地来尝试一番吧（懒得截图，自己打开网站观赏吧）。
首先，我们打开网址 http://dp.pconline.com.cn/list/all_t145.html ； 那么，马上有N多美妙的缩略图呈现在你面前；
任意点击其中一个链接，就到了一个系列的第一张图片的页面： http://dp.pconline.com.cn/photo/3687487.html， 再点击下可以到第二张图片的页面： http://dp.pconline.com.cn/photo/3687487_2.html ； 图片下方点击“查看原图”， 会跳转到 http://dp.pconline.com.cn/public/photo/source_photo.jsp?id=19706865&photoId=3687487 这个页面，呈现出一张美美的高清图。右键另存为，就可以保存到本地。
也许你的心已经开始痒痒啦： 要是一个命令行，就能把美图尽收怀中，岂不美哉！
思路
该如何下手呢？ 要想用程序自动化解决问题，就得找到其中规律！ 规律，YES ！
只要你做过 web 开发，一定知道，在浏览器的控制台，会有页面的 html ， 而 html 里会包含图片， 或者是包含图片的另一个 HTML。对于上面的情况而言， http://dp.pconline.com.cn/list/all_t145.html 是一个大主题系列的入口页面，比如自然是 t145， 建筑是 t292， 记作 EntryHtml ；这个入口页面包含很多链接指向子的HTML，这些子 HTML 是这个大主题下的不同个性风格的摄影师拍摄的不同系列的美图， 记作 SerialHtml ; 而这些 SerialHtml 又会包含一个子系列每一张图片的首 HTML，记作 picHtml ， 这个 picHtml 包含一个“查看原图”链接，指向图片高清地址的链接 http://dp.pconline.com.cn/public/photo/source_photo.jsp?id=19706865&photoId=3687487 ， 记作 picOriginLink ； 最后， 在 picOriginLink 里找到 img 元素，即高清图片的真真实地址 picOrigin。 (⊙v⊙)嗯，貌似有点绕晕了，我们来总结一下：
EntryHtml （主题入口页面） -> SerialHtml （子系列入口页面） -> picHtml （子系列图片浏览页面） -> picOriginLink （高清图片页面） -> picOrigin （高清图片的真实地址）
现在，我们要弄清楚这五级是怎么关联的。
经过查看 HTML 元素，可知：
(1) SerialHtml 元素是 EntryHtml 页面里的 class="picLink" 的 a 元素；
(2) picHtml 元素是 SerialHtml 的加序号的结果，比如 SerialHtml 是 http://dp.pconline.com.cn/photo/3687487.html， 总共有 8 张，那么 picHtml = http://dp.pconline.com.cn/photo/3687487_[1-8].html ，注意到 http://dp.pconline.com.cn/photo/3687487.html 与 http://dp.pconline.com.cn/photo/3687487_1.html 是等效的，这会给编程带来方便。
(3) “查看原图” 是指向高清图片地址的页面 xxx.jsp 的链接：它是 picHtml 页面里的 class="aView aViewHD" 的 a 元素；
(4) 最后，从 xxx.jsp 元素中找出 src 为图片后缀的 img 元素即可。
那么，我们的总体思路就是：
STEP1： 抓取 EntryHtml 的网页内容 entryContent ;
STEP2： 解析 entryContent ，找到class="picLink" 的 a 元素列表 SerialHtmlList ；
STEP3： 对于SerialHtmlList 的每一个网页 SerialHtml_i：
(1) 抓取其第一张图片的网页内容， 解析出其图片总数 total ；
(2) 根据图片总数 total 并生成 total 个图片链接 picHtmlList ；
a. 对于 picHtmlList 的每一个网页，找到 class="aView aViewHD" 的 a 元素 hdLink ；
b. 抓取 hdLink 对应的网页内容，找到img元素 获得最终的 图片 真实地址 picOrigin ；
c. 下载 picOrigin 。
注意到， 一个主题系列有多页，比如首页是 EntryHtml ：http://dp.pconline.com.cn/list/all_t145.html ， 第二页是 http://dp.pconline.com.cn/list/all_t145_p2.html ；首页等效于 http://dp.pconline.com.cn/list/all_t145_p1.html 这会给编程带来方便。要下载一个主题下多页的系列图片，只要在最外层再加一层循环。这就是串行版本的实现流程。
串行版本
思路
主要库的选用：
(1) requests : 抓取网页内容；
(2) BeautifulSoup: 遍历HTML文档树，获取所需要的节点元素；
(3) multiprocessing.dummy : Python 的多进程并发库，这个是以多进程API的形式实现多线程的功能。
一点技巧：
(1) 使用装饰器来统一捕获程序中的异常，并打印错误信息方便排查；
(2) 细粒度地拆分逻辑，更易于复用、扩展和优化；
(3) 使用异步函数改善性能， 使用 map 函数简洁表达；
运行环境 Python2.7 , 使用 easy_install 或 pip 安装 requests , BeautifulSoup 这两个三方库。
实现
#!/usr/bin/python
#_*_encoding:utf-8_*_ import os
import re
import sys
import requests
from bs4 import BeautifulSoup saveDir = os.environ['HOME'] + '/joy/pic/pconline/nature' def createDir(dirName):
if not os.path.exists(dirName):
os.makedirs(dirName) def catchExc(func):
def _deco(*args, **kwargs):
try:
return func(*args, **kwargs)
except Exception as e:
print "error catch exception for %s (%s, %s)." % (func.__name__, str(*args), str(**kwargs))
print e
return None
return _deco @catchExc
def getSoup(url):
'''
get the html content of url and transform into soup object
in order to parse what i want later
'''
result = requests.get(url)
status = result.status_code
if status != 200:
return None
resp = result.text
soup = BeautifulSoup(resp, "lxml")
return soup @catchExc
def parseTotal(href):
'''
total number of pics is obtained from a data request , not static html.
'''
photoId = href.rsplit('/',1)[1].split('.')[0]
url = "http://dp.pconline.com.cn/public/photo/include/2016/pic_photo/intf/loadPicAmount.jsp?photoId=%s" % photoId
soup = getSoup("http://dp.pconline.com.cn/public/photo/include/2016/pic_photo/intf/loadPicAmount.jsp?photoId=%s" % photoId)
totalNode = soup.find('p')
total = int(totalNode.text)
return total @catchExc
def buildSubUrl(href, ind):
'''
if href is http://dp.pconline.com.cn/photo/3687736.html, total is 10
then suburl is
http://dp.pconline.com.cn/photo/3687736_[1-10].html
which contain the origin href of picture
'''
return href.rsplit('.', 1)[0] + "_" + str(ind) + '.html' @catchExc
def download(piclink):
'''
download pic from pic href such as
http://img.pconline.com.cn/images/upload/upc/tx/photoblog/1610/21/c9/28691979_1477032141707.jpg
''' picsrc = piclink.attrs['src']
picname = picsrc.rsplit('/',1)[1]
saveFile = saveDir + '/' + picname picr = requests.get(piclink.attrs['src'], stream=True)
with open(saveFile, 'wb') as f:
for chunk in picr.iter_content(chunk_size=1024):
if chunk:
f.write(chunk)
f.flush()
f.close() @catchExc
def downloadForASerial(serialHref):
'''
download a serial of pics
''' href = serialHref
subsoup = getSoup(href)
total = parseTotal(href)
print 'href: %s *** total: %s' % (href, total) for ind in range(1, total+1):
suburl = buildSubUrl(href, ind)
print "suburl: ", suburl
subsoup = getSoup(suburl) hdlink = subsoup.find('a', class_='aView aViewHD')
picurl = hdlink.attrs['ourl'] picsoup = getSoup(picurl)
piclink = picsoup.find('img', src=re.compile(".jpg"))
download(piclink) @catchExc
def downloadAllForAPage(entryurl):
'''
download serial pics in a page
''' soup = getSoup(entryurl)
if soup is None:
return
#print soup.prettify()
picLinks = soup.find_all('a', class_='picLink')
if len(picLinks) == 0:
return
hrefs = map(lambda link: link.attrs['href'], picLinks)
print 'serials in a page: ', len(hrefs) for serialHref in hrefs:
downloadForASerial(serialHref) def downloadEntryUrl(serial_num, index):
entryUrl = 'http://dp.pconline.com.cn/list/all_t%d_p%d.html' % (serial_num, index)
print "entryUrl: ", entryUrl
downloadAllForAPage(entryUrl)
return 0 def downloadAll(serial_num):
start = 1
end = 2
return [downloadEntryUrl(serial_num, index) for index in range(start, end+1)] serial_num = 145 if __name__ == '__main__':
createDir(saveDir)
downloadAll(serial_num)
并发版本
思路
很显然，串行版本会比较慢，CPU 长时间等待网络连接和操作。要提高性能，通常是采用如下措施：
(1) 将任务分组，可以在需要的时候改造成任务并行的计算，也可以在机器性能不佳的情况下控制并发量，保持稳定运行；
(2) 使用多线程将 io 密集型操作隔离开，避免CPU等待；
(3) 单个循环操作改为批量操作，更好地利用并发；
(4) 使用多进程进行 CPU 密集型操作或任务分配，更充分利用多核的力量。
实现
目录结构：
pystudy
common
common.py
net.py
multitasks.py
tools
dwloadpics_multi.py
common.py
import os def createDir(dirName):
if not os.path.exists(dirName):
os.makedirs(dirName) def catchExc(func):
def _deco(*args, **kwargs):
try:
return func(*args, **kwargs)
except Exception as e:
print "error catch exception for %s (%s, %s): %s" % (func.__name__, str(*args), str(**kwargs), e)
return None
return _deco
net.py
import requests
from bs4 import BeautifulSoup
from common import catchExc import time delayForHttpReq = 0.5 # 500ms @catchExc
def getSoup(url):
'''
get the html content of url and transform into soup object
in order to parse what i want later
'''
time.sleep(delayForHttpReq)
result = requests.get(url)
status = result.status_code
# print 'url: %s , status: %s' % (url, status)
if status != 200:
return None
resp = result.text
soup = BeautifulSoup(resp, "lxml")
return soup @catchExc
def batchGetSoups(pool, urls):
'''
get the html content of url and transform into soup object
in order to parse what i want later
''' urlnum = len(urls)
if urlnum == 0:
return [] return pool.map(getSoup, urls) @catchExc
def download(piclink, saveDir):
'''
download pic from pic href such as
http://img.pconline.com.cn/images/upload/upc/tx/photoblog/1610/21/c9/28691979_1477032141707.jpg
''' picsrc = piclink.attrs['src']
picname = picsrc.rsplit('/',1)[1]
saveFile = saveDir + '/' + picname picr = requests.get(piclink.attrs['src'], stream=True)
with open(saveFile, 'wb') as f:
for chunk in picr.iter_content(chunk_size=1024):
if chunk:
f.write(chunk)
f.flush()
f.close() @catchExc
def downloadForSinleParam(paramTuple):
download(paramTuple[0], paramTuple[1])
multitasks.py
from multiprocessing import (cpu_count, Pool)
from multiprocessing.dummy import Pool as ThreadPool ncpus = cpu_count() def divideNParts(total, N):
'''
divide [0, total) into N parts:
return [(0, total/N), (total/N, 2M/N), ((N-1)*total/N, total)]
''' each = total / N
parts = []
for index in range(N):
begin = index*each
if index == N-1:
end = total
else:
end = begin + each
parts.append((begin, end))
return parts
dwloadpics_multi.py
#_*_encoding:utf-8_*_
#!/usr/bin/python import os
import re
import sys from common import createDir, catchExc
from net import getSoup, batchGetSoups, download, downloadForSinleParam
from multitasks import * saveDir = os.environ['HOME'] + '/joy/pic/pconline'
dwpicPool = ThreadPool(5)
getUrlPool = ThreadPool(2) @catchExc
def parseTotal(href):
'''
total number of pics is obtained from a data request , not static html.
'''
photoId = href.rsplit('/',1)[1].split('.')[0]
url = "http://dp.pconline.com.cn/public/photo/include/2016/pic_photo/intf/loadPicAmount.jsp?photoId=%s" % photoId
soup = getSoup("http://dp.pconline.com.cn/public/photo/include/2016/pic_photo/intf/loadPicAmount.jsp?photoId=%s" % photoId)
totalNode = soup.find('p')
total = int(totalNode.text)
return total @catchExc
def buildSubUrl(href, ind):
'''
if href is http://dp.pconline.com.cn/photo/3687736.html, total is 10
then suburl is
http://dp.pconline.com.cn/photo/3687736_[1-10].html
which contain the origin href of picture
'''
return href.rsplit('.', 1)[0] + "_" + str(ind) + '.html' def getOriginPicLink(subsoup):
hdlink = subsoup.find('a', class_='aView aViewHD')
return hdlink.attrs['ourl'] def findPicLink(picsoup):
return picsoup.find('img', src=re.compile(".jpg")) def downloadForASerial(serialHref):
'''
download a serial of pics
''' href = serialHref
total = getUrlPool.map(parseTotal, [href])[0]
print 'href: %s *** total: %s' % (href, total) suburls = [buildSubUrl(href, ind) for ind in range(1, total+1)]
subsoups = batchGetSoups(getUrlPool, suburls) picUrls = map(getOriginPicLink, subsoups)
picSoups = batchGetSoups(getUrlPool,picUrls)
piclinks = map(findPicLink, picSoups)
downloadParams = map(lambda picLink: (picLink, saveDir), piclinks)
dwpicPool.map_async(downloadForSinleParam, downloadParams) def downloadAllForAPage(entryurl):
'''
download serial pics in a page
''' print 'entryurl: ', entryurl
soups = batchGetSoups(getUrlPool,[entryurl])
if len(soups) == 0:
return soup = soups[0]
#print soup.prettify()
picLinks = soup.find_all('a', class_='picLink')
if len(picLinks) == 0:
return
hrefs = map(lambda link: link.attrs['href'], picLinks)
map(downloadForASerial, hrefs) def downloadAll(serial_num, start, end, taskPool=None):
entryUrl = 'http://dp.pconline.com.cn/list/all_t%d_p%d.html'
entryUrls = [ (entryUrl % (serial_num, ind)) for ind in range(start, end+1)]
execDownloadTask(entryUrls, taskPool) def execDownloadTask(entryUrls, taskPool=None):
if taskPool:
print 'using pool to download ...'
taskPool.map(downloadAllForAPage, entryUrls)
else:
map(downloadAllForAPage, entryUrls) if __name__ == '__main__':
createDir(saveDir)
taskPool = Pool(processes=ncpus) serial_num = 145
total = 4
nparts = divideNParts(total, 2)
for part in nparts:
start = part[0]+1
end = part[1]
downloadAll(serial_num, start, end, taskPool=None)
taskPool.close()
taskPool.join()
知识点
装饰器
catchExc 函数实现了一个简易的异常捕获器，捕获程序中遇到的异常并打印详细信息便于排查。 _deco(*args, **kwargs) 是具有通用签名的 python 函数，装饰器返回的是函数引用，而不是具体的值。
动态数据抓取
比如 http://dp.pconline.com.cn/photo/4846936.html 这个子系列页面下的所有图片数，是根据动态JS加载的（在Chrome通过抓取工具可以得到）。因此，需要构造相应的请求去相应数据，而不是直接解析静态页面。不过这使得工具依赖于具体网站的请求，显然是不灵活的。
function loadPicAmount(){
var photoId=4846936;
var url="/public/photo/include/2016/pic_photo/intf/loadPicAmount.jsp?pho
toId="+photoId;
$.get(url,function(data){
var picAmount=data;
$("#picAmount").append(picAmount);
});
}
Soup使用
soup确实是利用jQuery语法获取网页元素的利器啊！也说明，借用已经有的惯用法来开拓新的领域，更容易为用户所接受。
(1) 获取id元素： find(id="")
(2) 获取class元素：hdlink = subsoup.find('a', class_='aView aViewHD')
(3) 获取html标签元素：picsoup.find('img', src=re.compile(".jpg")) ; totalNode = soup.find('p')
(4) 获取所有元素： soup.find_all('a', class_='picLink')
(5) 获取指定元素的文本： totalNode.text
(6) 获取指定元素的属性： hdlink.attrs['ourl']
批量处理
在并发批量版本中，大量使用了 map(func, list) , lambda 表达式及列表推导， 使得批量处理的含义更加简洁清晰；
此外，这些 map 都可以在适当的时候替换成并发的处理。
模块化
注意到并发版本拆分成了多个python文件，将通用的函数分离出来进行归类，便于后续可以复用。
这里需要设置PYTHONPATH搜索路径，将自己的公共文件放到这个路径下：
export PYTHONPATH=$PYTHONPATH:~/Workspace/python/pystudy/pystudy/common
遇到的问题
多线程问题
遇到的一个问题是，发现获取图片总数以及网页数据时不稳定，有时能获取有时不能获取，经过打印 http 请求后，发现开始正常，接下来会间隔性地批量出现 503 服务不可用。估计是服务器做了保护措施。为了能够稳定地获取到网站数据，降低了请求频率，发送请求前延迟 500ms 。见 net.py getSoup 方法的 time.sleep(0.5) 。 毕竟咱们不是为了恶意攻击服务器，只是希望能够自动化便利地获取网站图片。
进程map调用问题
from multiprocessing import Pool taskPool = Pool(2) def g(x):
return x+1 def h():
return taskPool.map(g, [1,2,3,4]) if __name__ == '__main__': print h()
taskPool.close()
taskPool.join()
报如下错误：
AttributeError: 'module' object has no attribute 'g'
解决方案是： 必须将 taskPool 的定义挪到 if __name__ == '__main__': 包含的作用域内。
if __name__ == '__main__':
taskPool = Pool(2)
print h()
taskPool.close()
taskPool.join()
原因见 https://docs.python.org/2/library/multiprocessing.html#using-a-pool-of-workers （16.6.1.5. Using a pool of workers）。
Functionality within this package requires that the __main__ module be importable by the children.
emm... 其实没读懂是什么意思。
https://*.com/questions/20222534/python-multiprocessing-on-windows-if-name-main 这里也有参考。大意是说，不能在模块导入时去创建进程。
PS： 在网上找了N久，最后发现在一段自己不经意忽略的地方找到。说明要多读官方文档，少走捷径答案。
未完待续
在 http://www.cnblogs.com/lovesqcc/p/8830526.html 一文中，我们实现了批量下载图片的工具的一个更加通用的版本。
本文原创， 转载请注明出处，谢谢！ :)