前言
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
头榜，一个集合主播信息及资讯的网站，内容比较齐全，现今直播火热，想要找寻各种播主信息，这类网站可以搜集到相关热门主播信息。
目标网址：
http://www.toubang.tv/baike/list/20.html
列表页，而且暂时没有发现列表页规律，加密了？
http://www.toubang.tv/baike/list/20.html?p=hJvm3qMpTkj7J/RNmtAVNw== http://www.toubang.tv/baike/list/20.html?p=rjaUfcMsOOYXKBBBp5YUUA==
很明显，p后面所带的参数就是页码，但是搞不明白是如何实现的一串字符串，目测没有明显的页码规律。
没有过多的研究，霸王硬上弓，硬搞吧！
直接把所有列表页上遍历一遍，获取到页码链接，这里我简单的使用了递归函数
获得所有列表页的集合，至于去重，这里直接使用了set()，直接将集合转化为set
递归代码
def get_apgeurls(apgeurls):
page_urls=[]
for apgeurl in apgeurls:
page_url=get_pageurl(apgeurl)
page_urls.extend(page_url)
page_urls=set(page_urls)
#print(len(page_urls))
if len(page_urls) < 66:
return get_apgeurls(page_urls) #链轮
else:
return page_url
好在分页数不多，算是一个比较笨的实现方法，注意return的使用，递归函数调用函数本身，return会返回None，这里通过百度查询相关资料获取到解决方案。
其他的一些获取内容，都是正常操作，这里就不再阐述了！
提一下多线程吧！
def get_urllists(urls):
threads = []
for url in urls:
t=threading.Thread(target=get_urllist,args=(url,))
threads.append(t)
for i in threads:
i.start()
for i in threads:
i.join()
print('>>> 获取采集链接完毕！')
这里需要注意一个参数的调用的时候，args=(url,)，同时多线程的使用，采集报错是一个很头疼的问题，基本都是服务器反应不过来，难道还是得采用Scrapy框架，大范围抓取。
运行效果：
附源码参考：
from fake_useragent import UserAgent
import requests,time,os
from lxml import etree
import threading #多线程
def ua():
ua=UserAgent()
headers={'User-Agent':ua.random}
return headers
def get_pageurl(url):
pageurl=[]
html=requests.get(url,headers=ua()).content.decode('utf-8')
time.sleep(1)
req=etree.HTML(html)
pagelists=req.xpath('//div[@class="row-page tc"]/a/@href')
for pagelist in pagelists:
if "baike" in pagelist:
pagelist=f"http://www.toubang.tv{pagelist}"
pageurl.append(pagelist)
#print(len(pageurl))
return pageurl
def get_apgeurls(apgeurls):
page_urls=[]
for apgeurl in apgeurls:
page_url=get_pageurl(apgeurl)
page_urls.extend(page_url)
page_urls=set(page_urls)
#print(len(page_urls))
if len(page_urls) < 5:
#if len(page_urls) < 65:
return get_apgeurls(page_urls) #链轮
else:
return page_urls
def get_urllist(url):
html = requests.get(url, headers=ua()).content.decode('utf-8')
time.sleep(1)
req = etree.HTML(html)
hrefs=req.xpath('//div[@class="h5 ellipsis"]/a/@href')
print(hrefs)
for href in hrefs:
href=f'http://www.toubang.tv{href}'
get_info(href)
def get_urllists(urls):
threads = []
for url in urls:
t=threading.Thread(target=get_urllist,args=(url,))
threads.append(t)
for i in threads:
i.start()
for i in threads:
i.join()
print('>>> 获取采集链接完毕！')
def get_info(url):
html = requests.get(url, headers=ua()).content.decode('utf-8')
time.sleep(1)
req = etree.HTML(html)
name=req.xpath('//div[@class="h3 ellipsis"]/span[@class="title"]/text()')[0]
os.makedirs(f'{name}/', exist_ok=True) # 创建目录
briefs=req.xpath('//dl[@class="game-tag clearfix"]/dd/span//text()')
brief_img=req.xpath('//div[@class="i-img fl mr20"]/img/@src')[0].split('=')[1]
print(name)
print(briefs)
print(brief_img)
down_img(brief_img, name)
informations=req.xpath('//table[@class="table-fixed table-hover hot-search-play"]/tbody/tr[@class="baike-bar"]/td//text()')
for information in informations:
if '\r' and '\n' and '\t' not in information:
print(information)
text=req.xpath('//div[@class="text-d"]/p//text()')
print(text)
text_imgs=req.xpath('//div[@id="wrapBox1"]/ul[@id="count1"]/li/a[@class="img_wrap"]/@href')
print(text_imgs)
threads=[]
for text_img in text_imgs:
t=threading.Thread(target=down_img,args=(text_img,name))
threads.append(t)
for i in threads:
i.start()
for i in threads:
i.join()
print("图片下载完成！")
def down_img(img_url,name):
img_name=img_url.split('/')[-1]
r=requests.get(img_url,headers=ua(),timeout=8)
time.sleep(2)
with open(f'{name}/{img_name}','wb') as f:
f.write(r.content)
print(f'>>>保存{img_name}图片成功！')
def main():
url = "http://www.toubang.tv/baike/list/20.html?p=hJvm3qMpTkjm8Rev+NDBTw=="
apgeurls = [url]
page_urls = get_apgeurls(apgeurls)
print(page_urls)
get_urllists(page_urls)
if __name__=='__main__':
main()