GoLang爬取花瓣网美女图片

Java基础

浏览数:47

2019-9-11

由于之前一直想爬取花瓣网(http://huaban.com/partner/uc/aimeinv/pins/) 的图片,又迫于没时间,所以拖了很久。
鉴于最近在学go语言,就刚好用这个练手了。

预览

进入网站后,首页大概是这个样子

分析

网站采用的流式布局,动态加载。未经渲染的初始页面源代码中包含有20张图片的相关信息。
每张图片有它的pin_id和key, pin_id差不多就是id,而key应该是文件的特性码,由此key拼接url可以直接得到图片的地址。

使用了动态加载,鉴于这个比较简单,就没必要用无头浏览器了, 直接需要抓包分析,来手动模拟翻页请求。

翻页的一个实例:

http://huaban.com/partner/uc/aimeinv/pins/?max=2117952645&limit=8&wfl=1

有三个参数max就是图片的id, limit是指定了返回图片的数量,而那个wfl就不知道了,变成0好像也没啥变化,就不管它了。

这里我想,要是直接把limit变成一个很大的数,翻页的过程不就省略了吗😂,于是就试了个800。结果我的妈呀,它还真返回了这么多。。。

不过作为一个上进的程序员(●’◡’●),怎么能采取这种方法呢。于是继续研究,发现那个max是当前页最后一张图片的id,这样的话就好办了。

开始

首先由url获取网页返回的内容

func getHtml(url string) string{
    resp, err := http.Get(url)

    if err != nil {
        fmt.Println("A error occurred!")
    }
    defer resp.Body.Close()

    htmlBytes, err := ioutil.ReadAll(resp.Body)
    if err != nil {
        log.Fatal(err)
    }
    return string(htmlBytes)
}

然后解析该网页,包括下载该页中的图片,以及得到max值用于翻页。抓包时发现浏览器中返回的是json,我自己也试着加上Accept头,接受json类型,但返回的仍然是html,估计是少了什么header,这里我也懒得去尝试缺少啥头部了,直接对返回的html页面解析,就像第一次打开首页那样。另外由于key都位于script标签内,所以就不太适合用goquery等库了,直接用正则解析吧

func parsePage(strHtml string) string{
    // 利用正则爬取页面中图片的key
    reg := regexp.MustCompile("\"key\":\"(.*?)\"")
    keys := reg.FindAllStringSubmatch(strHtml, -1)

    // 利用正则爬取页面中图片的pin_id
    rege := regexp.MustCompile(`"pin_id":(\d+),`)
    ids := rege.FindAllStringSubmatch(strHtml, -1)


    for i := 0; i < len(keys) ; i++ {
        key := keys[i][1]
        // 过滤掉非图片类型的key
        if len(key) < 46{
            continue
        }
        fmt.Println(parseKey(key))
        downImg(parseKey(key))
        count++
    }
    // 得到用于翻页的id
    fmt.Println(ids[len(ids)-1][1])
    return ids[len(ids)-1][1]
}

其中downImg()是图片下载函数

// 图片下载函数
func downImg(url string) {
    // 处理前缀为//的url
    if string([]rune(url)[:2]) == "//" {
        url = "http:" + url
        fmt.Println(url)
    }

    // 解决文件无图片格式后缀的问题
    fileName := path.Base(url)
    if !strings.Contains(fileName, ".png") {
        fileName += ".png"
    }

    resp, err := http.Get(url)
    if err != nil {
        fmt.Println("A error occurred!")
        return
    }
    defer resp.Body.Close()
    reader := bufio.NewReaderSize(resp.Body, 32*1024)

    file, _ := os.Create(BasePath + fileName)
    writer := bufio.NewWriter(file)

    written, _ := io.Copy(writer, reader)
    fmt.Printf("Total length: %d\n", written)
}

关键的main函数是

func main() {
    fmt.Println("Spider Start: ------------------------------>")

    html := getHtml(HuabanUrl)

    for i := 0; i < PageNum + 1; i++ {
        id := parsePage(html)
        html = getHtml(nextPage(id))
    }
    fmt.Println("任务完成,共计下载:", count)
}

截图

运行截图

及成果截图(不是缩略图哦(●’◡’●))

完整代码位于 github.com/asche910

作者:Asche