通过Python爬虫，发现60%女装大佬游走在cosplay领域…

admin

103446
文章

87
评论

2021年10月18日22:16:06评论101 views字数 4203阅读14分0秒阅读模式

用 Python 爬取 2000 张女装大佬图片，发现 60% 都游走在 cosplay 边缘。

本文来自作者 —— 蓝桥云课作者「梦想橡皮擦」的投稿。

目标数据源分析

本次待抓取的目标地址为：

https://bbs.mihoyo.com/dby/home/47?type=2

该页面为图片列表页，采用下拉浏览器刷新形式进行数据加载。

分析该页面数据，需要借助谷歌浏览器自带的开发者工具，通过 F12 唤醒开发者工具。

此时第一个问题出现，该网站使用 JS 调试禁止用户唤醒开发者工具。

即网页 JS 注入了下述代码：

(function anonymous() {
  debugger;
});

添加该反爬手段之后，打开开发者工具如下图所示：

解决办法非常简单，禁用浏览器 JS 调试，点击开发者工具右侧所示按钮，即可屏蔽该反爬手段。

抓取目标：

抓取该网站的图片，目标 3000 张。

用到的 Python 框架为：

requests 库、json 模块。

其它技术栈补充：

JSON 格式数据解析

目标网站地址规则：

获取列表页数据规则，通过开发者工具中 Network 视图配合滑动浏览器滚轮操作。

上图 1/2/3 分别是点击步骤，滚动浏览器，寻找数据接口，在 Network 视图下捕获浏览器向网站服务器发送的所有数据请求，并查阅浏览器响应。

为获取接口，可进行反复测试，直到确定数据所在接口，即在位置 3 的视图中，找到网页中的图片地址或者文字。

快速检索接口方式，在开发者工具窗口中，按下 Ctrl+F 按键，唤醒检索工具，输入待查询文字，回车搜索，可直接定位到接口地址。

以上步骤是检索数据接口常用的手段之一，在后续的博客中会反复提及，请务必掌握。

最终得到的数据接口如下：

https://bbs-api.mihoyo.com/post/wapi/getForumPostList?forum_id=47&gids=5&is_good=false&is_hot=false&last_id=6309404&page_size=20&sort_type=2
1

该接口通过 GET 形式访问，其中参数中可依据名字进行猜测：

•page_size：每页数据量，默认是 20；

•forum_id：板块 ID，与 URL 地址一致，为 47；

•is_good：未知含义；

•is_hot：是否热门；

•last_id：上一条数据 ID；

•sort_type：排序类型；

•gids：未知含义。

继续针对图片详情页进行分析，打开任意详情页。

https://bbs.mihoyo.com/dby/article/6270759

该页面详情页地址，只有最后的数字 6270759 发生了变化，并且该数字可以在列表页接口获取到。

通过开发者工具继续捕获接口，得到图片详情页也是基于接口进行数据返回，筛选后得到的接口如下。

https://bbs-api.mihoyo.com/post/wapi/getPostFull?gids=5&post_id=6270759&read=1
1

目标数据源分析完毕，就可以进行基本的需求描述了。

整理需求如下：

1.列表页面无法批量生成，需要指定一个起始 ID，下一次的抓取基于该 ID 值；

2.基于列表页接口返回，直接拼接详情页接口；

3.抓取详情页图片数据；

4.保存数据；

5.得到 3000 张图片之后，开始欣赏。

代码实现时间

本次待爬取的目标网站在编码过程中，发现网站验证了请求头，这是一种最基本的反爬手段。

在代码文件中，首先编写通用请求函数，将请求头中的 HOST 提取出来，默认 HOST 设置为 bbs-api.mihoyo.com，该值可通过开发者工具获取，获取方式可参考代码之后图示。

# 请求函数
def request_get(url, ret_type="text", timeout=5, encoding="utf-8", host="bbs-api.mihoyo.com"):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36",
        "Origin": "https://bbs.mihoyo.com",
        "Referer": "https://bbs.mihoyo.com/",
        "Host": host
    }
    res = requests.get(url=url, headers=headers, timeout=timeout)
    res.encoding = encoding
    if ret_type == "text":
        return res.text

    elif ret_type == "image":
        return res.content

    elif ret_type == "json":
        return res.json()

上述代码增加了 JSON 格式的数据返回，对于该格式的数据，你可以参考 Python 字典知识进行操作。

从起始种子开始抓起

使用上文获取到的列表页数据，列表页地址通过 f-strings 形式进行格式化，你也可以使用其它形式，例如 "".format() 或者 % 语法进行格式化字符串。

main 函数的起始值，使用你获取到的值即可，也可以使用下述我提供给你的值。

# 抓取函数
def main(last_id):
    # 起始页面
    url = f"https://bbs-api.mihoyo.com/post/wapi/getForumPostList?forum_id=47&gids=5&is_good=false&last_id={last_id}&is_hot=false&page_size=20&sort_type=2"
    res_json = request_get(url, ret_type="json", timeout=5)
    if res_json["retcode"] == 0:
        for item in res_json["data"]["list"]:
            # 抓取内页数据
            detail(item["post"]["post_id"])

if __name__ == '__main__':
    main(6356513)

该接口返回的 JSON 数据格式如下，重要参数为 retcode、last_id、list，数据都存在 list 中。

调用图片内页接口

上述代码最终的目的是得到 post_id 值，因该值是后续接口的必备参数。完善 detail 函数，代码如下：

# 保存图片
def save_image(image_src):
    content = request_get(image_src, "image", host="upload-bbs.mihoyo.com")
    with open(f"{str(time.time())}.jpg", "wb") as f:
        f.write(content)
        global total
        total += 1
        print(f"保存第{total}张图片")


# 抓取内页数据
def detail(post_id):
    url = f"https://bbs-api.mihoyo.com/post/wapi/getPostFull?gids=5&post_id={post_id}&read=1"
    res_json = request_get(url, ret_type="json", timeout=5)
    if res_json["retcode"] == 0:
        image_list = res_json["data"]["post"]["image_list"]
        for img in image_list:
            img_url = img["url"]
            if (img_url.find("weigui")) < 0:
                save_image(img_url)

声明一个全局变量 total，用于记录爬取图片总数，在获取图片数据时，发现存在部分 Coser 图片违规，估计尺度过大的原因，返回的图片链接包含字符串 weigui.jpg，故针对性进行数据清洗。

global total

if __name__ == '__main__':
    global total
    total = 0
    main(6356513)

迭代爬取

此时代码只爬取一页数据，无法达到我们的 3000 张图片目标，修改 main 函数，实现简单递归。

# 抓取函数
def main(last_id):
    # 起始页面
    url = f"https://bbs-api.mihoyo.com/post/wapi/getForumPostList?forum_id=47&gids=5&is_good=false&last_id={last_id}&is_hot=false&page_size=20&sort_type=2"
    res_json = request_get(url, ret_type="json", timeout=5)
    if res_json["retcode"] == 0:
        for item in res_json["data"]["list"]:
            # 抓取内页数据
            detail(item["post"]["post_id"])

    if res_json["data"]["last_id"] != "":
        return main(res_json["data"]["last_id"])

运行代码，此时图片一张一张的存储到了我们电脑中，爬取过程中为防止超时，建议自行添加 try-catch 跳过错误。

完整代码下载地址：https://codechina.csdn.net/hihell/python120

通过Python爬虫，发现60%女装大佬游走在cosplay领域…

目标数据源分析

整理需求如下：

代码实现时间

从起始种子开始抓起

调用图片内页接口

迭代爬取

更多教程

有效风险管理流程的5个步骤

吃不到小炒肉的女科学家

G.O.S.S.I.P 阅读推荐 2024-05-10 What You Trace is What You Get

QAX HW 蓝中二面

揭秘！间谍们的神秘暗语大公开

美白宫《关于关键基础设施安全和复原力的国家安全备忘录》中文翻译

如何实现对 3000+ 软件包的全链路自主研发与维护？

网络安全上市公司年报分析之二：人员

【Vidar论文研读分享】使用代码属性图建模和发现漏洞

MARS TALK | 机器人多模感知技术分享

发表评论

在线咨询

微信