爬取网站（Python爬虫实战）

前言今天带大家爬取爬取网站漫画，废话不多说，直接开始~开发工具Python版本：3.6.4相关模块：requests模块；re模块；shutil模块；以及一些Python自带的模块。环境搭建安装Python并添加到环境变量，pip安装需要的相关模块即可。思路分析漫画其实是一张一张图片来着，所以我们先找到这些图片的链接在哪里！因为本文是为了实现想看什么漫画就爬取什么漫画，所以搜索任一漫画，这里以神印王座为例，然后点进去进入详情页查看任一话；在浏览页中，网页源代码是没有我们需要的数据，所以需要打开开发者工具进行抓包，最终成功找到图片的链接。找到图片链接后，接着就要想办法从该数据包中获取，也就是访问该数据包的链接，从数据包中提取图片链接。通过多页的数据包，观察以下数据包链接，发现 chapter_newid 每次翻页会发生变化的， comic_id 是一本漫画的唯一标识。https://www.kanman.com/api/getchapterinfov2?product_id=1&productname=kmh&platformname=pc&comic_id=5323&chapter_newid=1006&isWebp=1&quality=middle\

https://www.kanman.com/api/getchapterinfov2?product_id=1&productname=kmh&platformname=pc&comic_id=5323&chapter_newid=2003&isWebp=1&quality=middle\

https://www.kanman.com/api/getchapterinfov2?product_id=1&productname=kmh&platformname=pc&comic_id=5323&chapter_newid=3004&isWebp=1&quality=middle接着查找这两个参数是从哪里来的。进入首页搜索神印王座，接着查看网页源代码，发现可以在网页源代码中找到进入漫画详情页的url；我试着用正则表达式和xpath语法进行提取时，发现困难重重，源代码中的HTML标签有很多的都相同的，且发现源代码中不止一本漫画。接着我试着搜索其它漫画，发现源代码中没有，我才发现我掉坑里，后来发现该源代码是网站首页的源代码，大意了，泪目！但没关系，源代码中没有，我们去抓包。打开开发者工具，进入Network中的XHR，搜索神印王座，第一次搜索的时候抓到一条数据包，不过他报红了：但里面是有我们需要的内容的。不过因为报红，我们在开发者工具中是无法看到数据的，得点开数据包：如果需要获取不报红的数据包，需要重新点击一下输入框，他就会加载出来了，如果只刷新网页和重新点击搜索他都是无法获取到的。拿到数据包后，我们找到漫画的唯一标识 comic_id ，只需要该数据包中提取出来：找到 comic_id 后，接着找 chapter_newid 。 chapter_newid 变化规律每本漫画他都是不同的；但如果你第一次搜索的是斗罗大陆，你会发现， chapter_newid 他是递增式变化的。那 chapter_newid 怎么找呢，进入到漫画的详情页，前面我们知道神印王座的第一话的 chapter_newid 是 1006 ，那我们直接在开发者工具中搜索1006，最终在详情页源代码中找到：那么我们知道，首个 chapter_newid 是详情页静态加载来的，可以在详情页的源代码中提取出来，而该网址是 https://www.kanman.com/ + comic_id 构成的：这里只要第一话的 chapter_newid ，那其它的从哪里得到呢？经过我的查找，发现后一页的 chapter_newid 是在前一页中获取到的：代码实现构建提取 comic_id 和 chapter_id 函数：def get_comic(url):\
data = get_response(url).json()['data']\
for i in data:\
comic_id = i['comic_id']\
chapter_newid_url = f'https://www.kanman.com/{comic_id}/'\
chapter_newid_html = get_response(chapter_newid_url).text\
chapter_id = re.findall('{"chapter_id":"(.*?)"}', chapter_newid_html)\
data_html(comic_id, chapter_id[0])关键代码，如果以前爬取过微博评论数据的，就会发现，二者的套路差不多，翻页的数值都需要从前一页中获取：def data_html(comic_id, chapter_id):\
try:\
a = 1\
while True: # 循环获取chapter_id\
if a == 1:\
comic_url = f'https://www.kanman.com/api/getchapterinfov2?product_id=1&productname=kmh&platformname=pc&comic_id={comic_id}&chapter_newid={chapter_id}&isWebp=1&quality=middle'\
else:\
comic_url = f'https://www.kanman.com/api/getchapterinfov2?product_id=1&productname=kmh&platformname=pc&comic_id={comic_id}&chapter_newid={chapter_newid}&isWebp=1&quality=middle'\
comic_htmls = get_response(comic_url).text\
comic_html_jsons = json.loads(comic_htmls)\
if a == 1:\
chapter_newid = jsonpath.jsonpath(comic_html_jsons, '$..chapter_newid')[1]\
else: # 自第二条url开始，提取规则+1\
chapter_newid = jsonpath.jsonpath(comic_html_jsons, '$..chapter_newid')[2]\
current_chapter = jsonpath.jsonpath(comic_html_jsons, '$..current_chapter')\
for img_and_name in current_chapter:\
image_url = jsonpath.jsonpath(img_and_name, '$..chapter_img_list')[0] # 图片url\
# chapter_name 中存在空格，所以需要用strip去除\
chapter_name = jsonpath.jsonpath(img_and_name, '$..chapter_name')[0].strip()\
save(image_url, chapter_name)\
a += 1\
except IndexError:\
pass保存数据：def save(image_url, chapter_name):\
for link_url in image_url: # 图片名称\
image_name = ''.join(re.findall('/(\d+.jpg)-kmh', str(link_url)))\
image_path = data_path + chapter_name\
if not os.path.exists(image_path): # 创建章节标题文件夹\
os.mkdir(image_path)\
image_content = get_response(link_url).content\
filename = '{}/{}'.format(image_path, image_name)\
with open(filename, mode='wb') as f:\
f.write(image_content)\
print(image_name)\
get_img(chapter_name) # 拼接函数章节标题，非必需控制台：if __name__ == '__main__':\
key = input('请输入你要下载的漫画：')\
data_path = r'D:/数据小刀/爬虫④/漫画/{}/'.format(key)\
if not os.path.exists(data_path): # 根据用户输入的漫画名称创建文件夹\
os.mkdir(data_path) \
url = f'https://www.kanman.com/api/getsortlist/?search_key={key}' # 该url由去除不必要的参数得到\
get_comic(url)保存的数据展示