清明节宅在家里，学爬虫，试着用python爬取www.meizitu.com这个网站中的美少女图片。用了python3以及requests,BeautifulSoup,multiprocessing这些包。

1.尝试分析，得到图片url

首先打开该网站，点击右键，查看网页源代码。或者通过requests查看首页内容。

import requests

from bs4 import BeautifulSoup

url=\’www.meizitu.com\’

response=requests.get(url)

soup=BeautifulSoup(response.content,\’lxml\’)

分析soup，我们看到其中有图片的连接，还有连接到其他网页的url，通过BeautifulSoup得到他们（BeautifulSoup的介绍，请看Beautiful Soup 4.2.0 文档

webs=soup.find_all(\’a\’,target=\’_blank\’)

此时webs类似list，能通过index来调用其中的元素，而每一个元素都类似字典

webs[0][\’href\’]#得到url

而经过分析，我们知道，图片的url能通过类似方法获得

soup.find_all(\’img\’)[0][\’src\’]

2.尝试保存图片

photoUrl=\’http://pic.meizitu.com/upload/article/2016a/02/26/01.jpg\’

photo = requests.get(pict_url)

with open(,\’wb\’) as newfile:  #图片输出

    newfile.write(picture.content)

另外我们发现所以图片的url都是统一的命名格式，所以我们可以通过拆解图片的url提取字符串作为图片名称

photoStoreName=photoUrl.split(\’uploads\’)[1]

保存图片

with open(photoStoreName,\’wb\’) as newfile:  #图片输出

     newfile.write(photo.content)

3.整体框架

用伪代码将整个爬虫框架BFS介绍下：

stack=deque() #deque来自collections这个包，将还没爬过的url加入其中

nameSet=set()  #将保存过的图片加入其中

visited=set() #将已经爬过的网页url加入其中

while stack: 

    url=stack.popleft()

    response =requests.get(url)

    visited.add(url)

    soup= BeautifulSoup(response.content,\’lxml\’)

    分析soup，得到网页url还有图片，如果网页url不在visited中，则加入stack；如果图片的名称不在nameSet中，则保存图片，并将该名字加入nameSet

4.多进程

前三步其实已经可以爬取图片了，但是图片非常多（我自己由于网速限制，没爬完，只爬了6000多张，已经营养不良了），所以采取多进程的方法来爬。python的multiprocessing的pool，非常好用。

5. 最后代码

GitHub – jinxin0924/Crawler

有V1,V2,V3三个版本，V1简单实现了爬取图片，V2实现了单线程爬取全部图片，V3实现了多进程爬取全部图片。V3多进程的实现，应该还存在点小问题，如果各位有什么想法，欢迎私信联系我。