JAVA高级面试进阶训练营视频教程

admin

防盗链原理

http标准协议中有专门的字段记录referer

一来可以追溯上一个入站地址是什么

二来对于资源文件，可以跟踪到包含显示他的网页地址是什么

因此所有防盗链方法都是基于这个Referer字段

 

so:很多网站使用防盗链的方法来设置反爬虫机制，设置这种机制后通过图片路由直接访问会返回403错误，

其实解决办法很简单，加入header，然后把Referer写入即可！

headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36',
        'Referer': url
    }

本文爬取https://www.mn52.com/网站上面的清纯美女图片，代码如下；

# 需要的库
import requests
import re
import os
from multiprocessing import Pool
# 主函数
def get_img(url):
    # 设置图片存储路径
    path = './mn52/'
    if not os.path.exists(path):
        os.mkdir(path)
    # 请求头，因为图片路由有防盗链设置所以在headers中添加'Referer': url
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36',
        'Referer': url
    }
    try:
        # 请求主页面路由
        response = requests.get(url=url,headers=headers)
        # print(response.text)
        # 正则提取并遍历获取分页面
        res_paging = re.findall('<div class="picbox">.*?<a href="(.*?)"',response.text,re.S)
        for i in res_paging:
            # 拼接分页面路由
            url_infos = 'https://www.mn52.com' + i
            # 请求分页面路由
            res_details = requests.get(url=url_infos,headers=headers)
            # 遍历获取图片路由
            res_detail = re.findall('<div class="img-wrap">.*?<img .*?rel="(.*?)"/>',res_details.text,re.S)
            for i in res_detail:
                # 拼接图片路由
                img_urls = 'https:'+i
                # 给图片命名
                filename = i.split('/')[-1]
                # 判断图片是否已下载
                if os.path.exists(path+str(filename)):
                    print('图片已存在')
                else:
                    # 请求图片连接
                    res = requests.get(url=img_urls,headers=headers)
                    # 保存图片
                    with open(path+str(filename),'wb') as f:
                        f.write(res.content)
                        # 打印下载信息
                        print('正在下载：'+img_urls)
    except Exception as e:
        print(e)
# 程序入口
if __name__ == '__main__':
    # 构造完整路由
    urls = ['https://www.mn52.com/meihuoxiezhen/list_2_{}.html'.format(i) for i in range(1,94)]
    # 开启多进程
    pool = Pool()
    # 启动程序
    pool.map(get_img,urls)
    print('抓取完成')

图片比较多，需要一些时间下载，控制台显示的下载过程

打开文件查看图片是否下载成功

 

done