自從接觸python以后就想著爬pixiv，之前因?yàn)樘葑佑悬c(diǎn)問題就一直擱置，最近換了個(gè)梯子就迫不及待試了下。

爬蟲無非request獲取html頁面然后用正則表達(dá)式或者beautifulsoup之類現(xiàn)成工具截取我們想要的頁面，pixiv也不例外。

首先我們來實(shí)現(xiàn)模擬登陸，雖然大多數(shù)情況不需要我們實(shí)現(xiàn)模擬登錄，但如果你是會(huì)員之類的，登錄和不登錄網(wǎng)頁就有區(qū)別。思路是登錄時(shí)抓包抓到post請求，看pixiv構(gòu)建的post的數(shù)據(jù)表格是什么格式，我們根據(jù)這個(gè)格式構(gòu)建form，然后調(diào)用post方法去請求，再保存到session中，之后訪問相關(guān)頁面用session替代requests即可。

可以看到pixiv登錄的網(wǎng)址如下，直接復(fù)制：

 抓包找到提交數(shù)據(jù)的請求：

可以看到表單數(shù)據(jù)主要是這幾個(gè)，經(jīng)過幾次嘗試，我們在模擬的時(shí)候只需要構(gòu)建password、pixiv_id、post_key再加上一個(gè)return_to（第二張）即可。pixiv_id就是我們的賬號，password是密碼，return_to照著填就行，但這個(gè)post_key卻是隨機(jī)的。

但我們也有辦法，它是我們每次訪問登錄頁面時(shí)動(dòng)態(tài)生成的，這就好辦了，再登錄前先爬取一次登錄前的頁面，找到postkey。

看到下圖紅圈里面：

 那就可以直接正則爬?。?/p>

def get_postkey():
    login_url='https://accounts.pixiv.net/login?return_to=https%3A%2F%2Fwww.pixiv.net%2F&lang=zh&source=pc&view_type=page'
    response=requests.get(url=login_url,headers=headers,verify=False)
    html=response.text
    # print(html)
    postkey=re.findall('"pixivAccount.postKey":"(.*?)","pixivAccount.recaptchaEnterpriseCheckboxSiteKey"',html)
    return postkey[0]

 然后我們就可以構(gòu)建數(shù)據(jù)包：

pixiv_id="賬號" # 你的pixiv賬號
password='xxxxx' # 你的pixiv密碼
return_to='https://www.pixiv.net/'
post_key=get_postkey()

實(shí)例化一個(gè)session對象，然后post提交就能完成模擬登陸： 

session=requests.Session()
 
form_data={
    'pixiv_id':pixiv_id,
    'password':password,
    'return_to':return_to,
    'post_key':post_key
}
login_url1='https://accounts.pixiv.net/login?return_to=https%3A%2F%2Fwww.pixiv.net%2F&lang=zh&source=pc&view_type=page'
res=session.post(url=login_url1,headers=headers,data=form_data)
# 至此模擬登錄成功

到此模擬登錄就成功了，接下來就是爬我們想要的圖片，以爬排行榜為例：

打開排行榜頁面，鼠標(biāo)懸停圖片，右鍵檢查，可以找到對應(yīng)的代碼位置：

找到每張圖片的相似結(jié)構(gòu)，我們可以用BeautifulSoup 找到節(jié)點(diǎn)，然后正則爬我們想要的網(wǎng)址：

先找到包含每張圖片各種信息的節(jié)點(diǎn)，通過類名查找，然后對于每一個(gè)節(jié)點(diǎn)進(jìn)行正則提取，提取出對應(yīng)圖片的下載鏈接，不過需要特別注意的是，pixiv直接顯示的圖片源是騙你的，真正的圖片鏈接的形式應(yīng)該是：

https://i.pximg.net/img-original/img/xxxx/xx/xx/xx/xx/xx/xxxxxxxx_p0.png

這樣的，直接把這個(gè)網(wǎng)址復(fù)制網(wǎng)頁欄訪問會(huì)顯示403，因?yàn)閜ixiv限制了必須從pixiv網(wǎng)頁點(diǎn)進(jìn)這個(gè)網(wǎng)址，所以我們首先必須headers構(gòu)建refer-to，然后通過排行榜提取到信息后還需要自己手動(dòng)構(gòu)建正確的網(wǎng)址：

headers = {'Referer': 'https://www.pixiv.net/',
       
           }

def get_accurate_url(url):
    urll='https://i.pximg.net/img-original/img/' + str(url) + "_p0.jpg"
    return urll

 這里的代碼偷了個(gè)懶，全部當(dāng)作jpg來處理，下載的時(shí)候再處理png的情況

下載的具體函數(shù)，我們對每一個(gè)網(wǎng)址的后續(xù)部分提取出來作名字，隨機(jī)睡眠1到4秒防止pixiv認(rèn)出我們是爬蟲把我們ip給封了，之后就是對網(wǎng)址進(jìn)行訪問下載，這里如果訪問返回的狀態(tài)碼是404說明它其實(shí)是個(gè)png格式的圖片，所以對png格式的文件重新構(gòu)建正確的網(wǎng)址即可：

def download(list,filename):
    i=1
    for url in list:
        pic_name=re.findall("https://i.pximg.net/img-original/img/(.*?)_p0.jpg",str(url))
        pic_name1=str(pic_name[0]).replace("/",".")
        r = random.randint(1, 4)
        time.sleep(r)
        response=requests.get(url=url,headers=headers,verify=False)
        if(response.status_code==404):
            the_url='https://i.pximg.net/img-original/img/' + str(pic_name[0]) + "_p0.png"
            response = requests.get(url=the_url, headers=headers, verify=False)
            with open(path + filename + '/' + str(pic_name1) + '.png', 'wb') as f:
                f.write(response.content)
                print("第" + str(i) + "張圖片已下載成功??！")
        else:
            with open(path + filename + '/' + str(pic_name1) + '.jpg', 'wb') as f:
                f.write(response.content)
                print("第" + str(i) + "張圖片已下載成功??！")
        i+=1

最后就是成功下載排行榜的圖片：

另外我在爬的時(shí)候發(fā)現(xiàn)pixiv很多網(wǎng)頁獲取時(shí)會(huì)隱藏body部分的內(nèi)容，包括但不限于各個(gè)tag的網(wǎng)頁和單個(gè)id圖片的網(wǎng)頁，一開始以為是沒有登錄的原因，但是實(shí)現(xiàn)登錄后發(fā)現(xiàn)依然如此，推測可能是body部分內(nèi)容是子網(wǎng)頁或者javsscript生成之類的，反正前端有一萬種方法達(dá)成這個(gè)目的，這個(gè)之后再研究怎么爬。

總結(jié)

到此這篇關(guān)于python爬蟲實(shí)戰(zhàn)項(xiàng)目之爬取pixiv圖片的文章就介紹到這了,更多相關(guān)python爬取pixiv圖片內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論