Python3爬Bing所有壁纸
本文最后更新于 144 天前,其中的信息可能已经有所发展或是发生改变。

前期工作

找bing的每日一图壁纸,观察网页结构

image-20220428154318726

①是图片的描述

②是图片的时间

③是图片的下载地址

④是当前页面page的页数1和总页数187

编写功能函数

捕获不同page网页html信息,用requests库:

# param:页面的相应地址
# return:成功则返回相应DOM文档,失败则返回信息msg
def get_response_text(pageNum):
    msg=""
    try:
        currentSite = mainSite + "/?p=" + str(pageNum)
        respose = requests.get(url=currentSite,headers=myheader)
        status_code = respose.status_code
        if 200 <= status_code < 300:
            msg = '请求站点操作成功'
            return respose.text
        elif status_code == 401:
            msg = '请求站点匿名用户访问权限资源时的异常'
        elif status_code == 403:
            msg = '请求站点无访问权限,请联系管理员授予权限'
        elif status_code == 404:
            msg = '请求站点请求的资源不存在'
        elif status_code == 500:
            msg = '请求站点请求资源的系统异常,请稍后重试'
        else:
            msg = '请求站点未知返回代码'
    except requests.exceptions.ConnectionError as e:
        print("连接错误,请求站点是否可以访问?是否有网络或网络不稳定?\n请检查网络问题...\n"+e)
        time.sleep(10)
    except requests.exceptions.InvalidURL as e:
        print("非法的URL,请验证URL是否正确或网站是否存在\n"+e)
    except requests.exceptions.ReadTimeout:
        print("请求站点远程服务器无响应数据")
        time.sleep(10)
    except:
        print("请求站点遇到未知错误...")
        time.sleep(10)
    finally:
        print(msg)
    return msg

返回当前page所有的图片信息

#根据不同页面返回图片的信息
def get_PicUrlList(pageNum):
    url_list = []
    mainText = get_response_text(pageNum)
    #正则规则
    rule = re.compile(r'class="description"><h3>(.*?) \(©.*?<em class="t">(.*?)</em>.*?class=\"ctrl download\" href=\"(.*?)\" target')
    result_groups = re.findall(rule,mainText)
    #由网页结构可知:匹配结果i[0]、i[1]、i[2]分别代表图片的描述、图片的时间、图片的下载地址
    if result_groups:
        for i in result_groups:
            img_info={
                'description':i[0],
                'time':i[1],
                'url':mainSite+i[2]
            }
            url_list.append(img_info)
    else:
        print("No match!!")
    return url_list

下载函数,用shell的wget,下载速度更快更稳定

def downloadPic(img_info):
    global success,fail
    try:
        #利用Shell下载图片
            os.system("sudo wget "+img_info['url']+" -q -O /mnt/c/Users/86199/OneDrive/图片/"+img_info['description']+img_info['time']+'.jpg')
            success.append(img_info)
            print(img_info['description']+img_info['time']+'.png', '保存成功!')
        #每隔一分钟下载一张
            #time.sleep(60)
    except:
        fail.append(img_info)
        print("something wrong!\n")

增加一个程序退出时执行函数,把下载信息写入

@atexit.register
def write_info():
    with open('info.txt','w',encoding='utf-8') as file:
        file.write("fail:"+str(fail)+("\n")+ "total:" + str(len(fail))
        +"success:"+str(success)+("\n")+ "total:" + str(len(success))
        +"current-page:"+str(currentPage))

主运行功能函数

def main_run():
    global completeCount,failCount,currentPage, totalPage
    for i in range(totalPage):
        url_list = get_PicUrlList(currentPage)
        for img_info in url_list:
            print("正在下载:"+img_info['description']+"\t图片")
            downloadPic(img_info)
        print('page:' + str(currentPage) + 'complete')
        currentPage += 1
        with open('info.txt','w',encoding='utf-8') as file:
            file.write("fail:"+str(fail)+("\n")+ "total:" + str(len(fail))
             +"success:"+str(success)+("\n")+ "total:" + str(len(success))
             +"current-page:"+str(currentPage))

总文件main.py

import os
import random
import re
import time
import requests
import atexit

totalPage = 187 #网站的总页数
currentPage = 1 #当前爬取图片的页数
myheader = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
                      'Chrome/99.0.4844.74 Safari/537.36 Edg/99.0.1150.46 '
    }
statusCode = 0 #爬取时返回的HTTP状态码
mainSite = "https://bing.ioliu.cn" #要爬的网页
pic_url_list = [] #图片的下载地址
fail=[] #下载失败的url
success=[] #下载成功的url

# param:页面的相应地址
# return:成功直接返回相应DOM文档,失败返回 "什么也没有"
def get_response_text(pageNum):
    msg=""
    try:
        currentSite = mainSite + "/?p=" + str(pageNum)
        respose = requests.get(url=currentSite,headers=myheader)
        status_code = respose.status_code
        if 200 <= status_code < 300:
            msg = '请求站点操作成功'
        elif status_code == 401:
            msg = '请求站点匿名用户访问权限资源时的异常'
        elif status_code == 403:
            msg = '请求站点无访问权限,请联系管理员授予权限'
        elif status_code == 404:
            msg = '请求站点请求的资源不存在'
        elif status_code == 500:
            msg = '请求站点请求资源的系统异常,请稍后重试'
        else:
            msg = '请求站点未知返回代码'
    except requests.exceptions.ConnectionError as e:
        print("连接错误,请求站点是否可以访问?是否有网络或网络不稳定?\n请检查网络问题...\n"+e)
        time.sleep(10)
    except requests.exceptions.InvalidURL as e:
        print("非法的URL,请验证URL是否正确或网站是否存在\n"+e)
    except requests.exceptions.ReadTimeout:
        print("请求站点远程服务器无响应数据")
        time.sleep(10)
    except:
        print("请求站点遇到未知错误...")
        time.sleep(10)
    finally:
        print(msg)
        return respose.text 
def get_PicUrlList(pageNum):

    url_list = []
    mainText = get_response_text(pageNum)
    rule = re.compile(r'class="description"><h3>(.*?) \(©.*?<em class="t">(.*?)</em>.*?class=\"ctrl download\" href=\"(.*?)\" target')
    result_groups = re.findall(rule,mainText)

    if result_groups:
        for i in result_groups:
            img_info={
                'description':i[0],
                'time':i[1],
                'url':mainSite+i[2]
            }
            url_list.append(img_info)
    else:
        print("No match!!")
    return url_list

def downloadPic(img_info):
    global success,fail
    try:
        #利用Shell下载图片
            os.system("sudo wget "+img_info['url']+" -q -O /mnt/c/Users/86199/OneDrive/图片/"+img_info['description']+img_info['time']+'.jpg')
            success.append(img_info)
            print(img_info['description']+img_info['time']+'.png', '保存成功!')
        #每隔一分钟下载一张
            # time.sleep(60)
    except:
        fail.append(img_info)
        print("something wrong!\n")

def main_run():
    global completeCount,failCount,currentPage, totalPage
    for i in range(totalPage):
        url_list = get_PicUrlList(currentPage)
        for img_info in url_list:
            print("正在下载:"+img_info['description']+"\t图片")
            downloadPic(img_info)
        print('page:' + str(currentPage) + 'complete')
        currentPage += 1
        with open('info.txt','w',encoding='utf-8') as file:
            file.write("fail:"+str(fail)+("\n")+ "total:" + str(len(fail))
             +"success:"+str(success)+("\n")+ "total:" + str(len(success))
             +"current-page:"+str(currentPage))

@atexit.register
def write_info():
    with open('info.txt','w',encoding='utf-8') as file:
        file.write("fail:"+str(fail)+("\n")+ "total:" + str(len(fail))
        +"success:"+str(success)+("\n")+ "total:" + str(len(success))
        +"current-page:"+str(currentPage))

if __name__== "__main__":
    main_run()

linux下挂起后台开跑

sudo nohup python3 main.py > run.out 2>&1 &

测试结果

在这里插入图片描述

在这里插入图片描述

info.txt:

image-20220428155204611

注意事项

在下载图片的那个功能函数里,需要根据自己的主机修改下载目录,
最好每下载一张就歇一会,我不知道网站有没有反爬,一直下载可能会被识别到时候IP被禁了就不好了。
源站有流量限制,本身下载就很慢(估计很多人都拿来爬。。。),如果没看到结果先自己用自己的电脑下载看能不能下

相关教程

atexit --- 退出处理器 — Python 3.10.4 文档

atexit模块定义了清理函数的注册和反注册函数. 被注册的函数会在解释器正常终止时执行. atexit会按照注册顺序的逆序执行; 如果你注册了 A, BC, 那么在解释器终止时会依序执行 C, B, A.

注意: 通过该模块注册的函数, 在程序被未被 Python 捕获的信号杀死时并不会执行, 在检测到 Python 内部致命错误以及调用了os._exit() 时也不会执行.

用法: wget [选项]... [URL]...

 长选项所必须的参数在使用短选项时也是必须的。

 启动:
   -V,  --version           显示 Wget 的版本信息并退出。
   -h,  --help              打印此帮助。
   -b,  --background        启动后转入后台。
   -e,  --execute=COMMAND   运行一个“.wgetrc”风格的命令。

 日志和输入文件:
   -o,  --output-file=FILE    将日志信息写入 FILE。
   -a,  --append-output=FILE  将信息添加至 FILE。
   -d,  --debug               打印大量调试信息。
   -q,  --quiet               安静模式 (无信息输出)。
   -v,  --verbose             详尽的输出 (此为默认值)。
   -nv, --no-verbose          关闭详尽输出,但不进入安静模式。
        --report-speed=TYPE   Output bandwidth as TYPE.  TYPE can be bits.
   -i,  --input-file=FILE     下载本地或外部 FILE 中的 URLs。
   -F,  --force-html          把输入文件当成 HTML 文件。
   -B,  --base=URL            解析与 URL 相关的
                              HTML 输入文件 (由 -i -F 选项指定)。
        --config=FILE         Specify config file to use.

 下载:
   -t,  --tries=NUMBER            设置重试次数为 NUMBER (0 代表无限制)。
        --retry-connrefused       即使拒绝连接也是重试。
   -O,  --output-document=FILE    将文档写入 FILE。
   -nc, --no-clobber              skip downloads that would download to
                                  existing files (overwriting them).
   -c,  --continue                断点续传下载文件。
        --progress=TYPE           选择进度条类型。
   -N,  --timestamping            只获取比本地文件新的文件。
   --no-use-server-timestamps     不用服务器上的时间戳来设置本地文件。
   -S,  --server-response         打印服务器响应。
        --spider                  不下载任何文件。
   -T,  --timeout=SECONDS         将所有超时设为 SECONDS 秒。
        --dns-timeout=SECS        设置 DNS 查寻超时为 SECS 秒。
        --connect-timeout=SECS    设置连接超时为 SECS 秒。
        --read-timeout=SECS       设置读取超时为 SECS 秒。
   -w,  --wait=SECONDS            等待间隔为 SECONDS 秒。
        --waitretry=SECONDS       在获取文件的重试期间等待 1..SECONDS 秒。
        --random-wait             获取多个文件时,每次随机等待间隔
                                  0.5*WAIT...1.5*WAIT 秒。
        --no-proxy                禁止使用代理。
   -Q,  --quota=NUMBER            设置获取配额为 NUMBER 字节。
        --bind-address=ADDRESS    绑定至本地主机上的 ADDRESS (主机名或是 IP)。
        --limit-rate=RATE         限制下载速率为 RATE。
        --no-dns-cache            关闭 DNS 查寻缓存。
        --restrict-file-names=OS  限定文件名中的字符为 OS 允许的字符。
        --ignore-case             匹配文件/目录时忽略大小写。
   -4,  --inet4-only              仅连接至 IPv4 地址。
   -6,  --inet6-only              仅连接至 IPv6 地址。
        --prefer-family=FAMILY    首先连接至指定协议的地址
                                  FAMILY 为 IPv6,IPv4 或是 none。
        --user=USER               将 ftp 和 http 的用户名均设置为 USER。
        --password=PASS           将 ftp 和 http 的密码均设置为 PASS。
        --ask-password            提示输入密码。
        --no-iri                  关闭 IRI 支持。
        --local-encoding=ENC      IRI (国际化资源标识符) 使用 ENC 作为本地编码。
        --remote-encoding=ENC     使用 ENC 作为默认远程编码。
        --unlink                  remove file before clobber.

 目录:
   -nd, --no-directories           不创建目录。
   -x,  --force-directories        强制创建目录。
   -nH, --no-host-directories      不要创建主目录。
        --protocol-directories     在目录中使用协议名称。
   -P,  --directory-prefix=PREFIX  以 PREFIX/... 保存文件
        --cut-dirs=NUMBER          忽略远程目录中 NUMBER 个目录层。

 HTTP 选项:
        --http-user=USER        设置 http 用户名为 USER。
        --http-password=PASS    设置 http 密码为 PASS。
        --no-cache              不在服务器上缓存数据。
        --default-page=NAME     改变默认页
                                (默认页通常是“index.html”)。
   -E,  --adjust-extension      以合适的扩展名保存 HTML/CSS 文档。
        --ignore-length         忽略头部的‘Content-Length’区域。
        --header=STRING         在头部插入 STRING。
        --max-redirect          每页所允许的最大重定向。
        --proxy-user=USER       使用 USER 作为代理用户名。
        --proxy-password=PASS   使用 PASS 作为代理密码。
        --referer=URL           在 HTTP 请求头包含‘Referer: URL’。
        --save-headers          将 HTTP 头保存至文件。
   -U,  --user-agent=AGENT      标识为 AGENT 而不是 Wget/VERSION。
        --no-http-keep-alive    禁用 HTTP keep-alive (永久连接)。
        --no-cookies            不使用 cookies。
        --load-cookies=FILE     会话开始前从 FILE 中载入 cookies。
        --save-cookies=FILE     会话结束后保存 cookies 至 FILE。
        --keep-session-cookies  载入并保存会话 (非永久) cookies。
        --post-data=STRING      使用 POST 方式;把 STRING 作为数据发送。
        --post-file=FILE        使用 POST 方式;发送 FILE 内容。
        --content-disposition   当选中本地文件名时
                                允许 Content-Disposition 头部 (尚在实验)。
        --content-on-error      output the received content on server errors.
        --auth-no-challenge     发送不含服务器询问的首次等待
                                的基本 HTTP 验证信息。

 HTTPS (SSL/TLS) 选项:
        --secure-protocol=PR     choose secure protocol, one of auto, SSLv2,
                                 SSLv3, TLSv1, TLSv1_1 and TLSv1_2.
        --no-check-certificate   不要验证服务器的证书。
        --certificate=FILE       客户端证书文件。
        --certificate-type=TYPE  客户端证书类型,PEM 或 DER。
        --private-key=FILE       私钥文件。
        --private-key-type=TYPE  私钥文件类型,PEM 或 DER。
        --ca-certificate=FILE    带有一组 CA 认证的文件。
        --ca-directory=DIR       保存 CA 认证的哈希列表的目录。
        --random-file=FILE       带有生成 SSL PRNG 的随机数据的文件。
        --egd-file=FILE          用于命名带有随机数据的 EGD 套接字的文件。

 FTP 选项:
        --ftp-user=USER         设置 ftp 用户名为 USER。
        --ftp-password=PASS     设置 ftp 密码为 PASS。
        --no-remove-listing     不要删除‘.listing’文件。
        --no-glob               不在 FTP 文件名中使用通配符展开。
        --no-passive-ftp        禁用“passive”传输模式。
        --preserve-permissions  保留远程文件的权限。
        --retr-symlinks         递归目录时,获取链接的文件 (而非目录)。

 WARC options:
        --warc-file=FILENAME      save request/response data to a .warc.gz file.
        --warc-header=STRING      insert STRING into the warcinfo record.
        --warc-max-size=NUMBER    set maximum size of WARC files to NUMBER.
        --warc-cdx                write CDX index files.
        --warc-dedup=FILENAME     do not store records listed in this CDX file.
        --no-warc-compression     do not compress WARC files with GZIP.
        --no-warc-digests         do not calculate SHA1 digests.
        --no-warc-keep-log        do not store the log file in a WARC record.
        --warc-tempdir=DIRECTORY  location for temporary files created by the
                                  WARC writer.

 递归下载:
   -r,  --recursive          指定递归下载。
   -l,  --level=NUMBER       最大递归深度 (inf 或 0 代表无限制,即全部下载)。
        --delete-after       下载完成后删除本地文件。
   -k,  --convert-links      让下载得到的 HTML 或 CSS 中的链接指向本地文件。
   --backups=N   before writing file X, rotate up to N backup files.
   -K,  --backup-converted   在转换文件 X 前先将它备份为 X.orig。
   -m,  --mirror             -N -r -l inf --no-remove-listing 的缩写形式。
   -p,  --page-requisites    下载所有用于显示 HTML 页面的图片之类的元素。
        --strict-comments    用严格方式 (SGML) 处理 HTML 注释。

 递归接受/拒绝:
   -A,  --accept=LIST               逗号分隔的可接受的扩展名列表。
   -R,  --reject=LIST               逗号分隔的要拒绝的扩展名列表。
        --accept-regex=REGEX        regex matching accepted URLs.
        --reject-regex=REGEX        regex matching rejected URLs.
        --regex-type=TYPE           regex type (posix|pcre).
   -D,  --domains=LIST              逗号分隔的可接受的域列表。
        --exclude-domains=LIST      逗号分隔的要拒绝的域列表。
        --follow-ftp                跟踪 HTML 文档中的 FTP 链接。
        --follow-tags=LIST          逗号分隔的跟踪的 HTML 标识列表。
        --ignore-tags=LIST          逗号分隔的忽略的 HTML 标识列表。
   -H,  --span-hosts                递归时转向外部主机。
   -L,  --relative                  只跟踪有关系的链接。
   -I,  --include-directories=LIST  允许目录的列表。
   --trust-server-names             use the name specified by the redirection
                                    url last component.
   -X,  --exclude-directories=LIST  排除目录的列表。
   -np, --no-parent                 不追溯至父目录。
本人本着学习交流的态度,恳请大家友好留言。
内容为个人笔记和记录,不保证其正确性,请慎用。
如有不足,望指正。如有侵权,请在留言板联系我。
文章作者:秃秃不是兔兔,如需引用,请标注原文地址:https://wangwangyz.site/archives/1082
暂无留言,来做第一个留言的人吧♥

发表评论 编辑评论


				

您的电子邮箱地址不会被公开,用于有回复时通知您。*为必填项

|´・ω・)ノ
ヾ(≧∇≦*)ゝ
(☆ω☆)
(╯‵□′)╯︵┴─┴
 ̄﹃ ̄
(/ω\)
∠( ᐛ 」∠)_
(๑•̀ㅁ•́ฅ)
→_→
୧(๑•̀⌄•́๑)૭
٩(ˊᗜˋ*)و
(ノ°ο°)ノ
(´இ皿இ`)
⌇●﹏●⌇
(ฅ´ω`ฅ)
(╯°A°)╯︵○○○
φ( ̄∇ ̄o)
ヾ(´・ ・`。)ノ"
( ง ᵒ̌皿ᵒ̌)ง⁼³₌₃
(ó﹏ò。)
Σ(っ °Д °;)っ
( ,,´・ω・)ノ"(´っω・`。)
╮(╯▽╰)╭
o(*////▽////*)q
>﹏<
( ๑´•ω•) "(ㆆᴗㆆ)
😂
😀
😅
😊
🙂
🙃
😌
😍
😘
😜
😝
😏
😒
🙄
😳
😡
😔
😫
😱
😭
💩
👻
🙌
🖕
👍
👫
👬
👭
🌚
🌝
🙈
💊
😶
🙏
🍦
🍉
😣
Source: github.com/k4yt3x/flowerhd
颜文字
Emoji
小恐龙
花!
上一篇
下一篇