漫画开源系统官网(Python漫画爬虫——漫画喵的100行代码逆袭)

Beginning这次的博客，讲的是使用python编写一个爬虫工具为什么要写这个爬虫呢？原因是小喵在看完《极黑的布伦希尔特》这个动画之后，又想看看漫画，结果发现各大APP都没有资源，最终好不容易找到一个网站可以看，但是由于网速太渣，看起来额外的费劲。

这时候如果能提前下载下来就好了先上项目地址（github）：https://github.com/miaoerduo/cartoon-cat 欢迎大家随时fork、star和指教原因就是这样，作为技术喵，任何问题都不能阻碍一颗爱漫画的心。

所以问题就来了，挖掘机技修哪家强？在bing上搜索Python、爬虫框架找到大家常用的框架Scrapy似乎是个很不错的选择至于相对于其他框架的优点，小喵没有细查，至少这个框架是之前听过的但是在实现的时候发现有一些问题，scrapy不能直接抓取动态的页面。

小喵需要抓取的网站的漫画都是使用Ajax生成的需要自己分析各种数据，这个有点麻烦那么有没有可以渲染页面的工具呢？像浏览器一样的？有这里介绍两个工具：PhantomJs，可以理解是一个浏览器不过它没有界面，我们可以通过js的代码模拟用户的行为。

这就要求了解它的api并有js基础了Selenium，这是个浏览器自动化测试框架它依赖于浏览器（这个浏览器也可以是PhantomJs），通过Selenium可以模拟用户的行为而且有Python接口，所以相对简单一些。

我们这个爬虫使用selenium + phantomjs来实现哟，这个爬虫软件应该有个响当当的名字就叫漫画喵吧，英文名Cartoon Cat下面我们一点点的介绍这个爬虫的实现过程吧一、初生-环境搭建小喵这里选用Python作为开发语言，框架是selenium。

原因是python经常用来写爬虫，selenium可以用来模拟用户行为，PhantomJs是可选的，不过小喵最终会在一个服务器上运行，所以也是需要的为了不影响本机上的python，我们还需要使用virtualenv来创建一个独立的python环境。

具体步骤如下：1. 安装virtualenvvirtualenv是一个常用的用来创建python环境的工具小喵用这个有两个原因，一是为了不污染本机的环境，二是在本机直接安装库的时候出了一个权限的问题virtualenv的安装十分简单，使用pip工具就可以安装。

pip install virtualenv待程序执行结束，你就会开心的发现自己已经有了virtualenv这个工具了2. 创建python环境virtualenv的使用非常的方便建立新的运行环境：virtualenv

进入相应的独立环境：source /bin/activate执行完第一个指令后，就会创建成功一个python环境，执行第二个指令后，就会发现命令行的起始位置有变化这时候python、pip等工具就变成使用这个新环境的了，当然也可以使用。

which python来查看3. 安装selenium进入新环境后，pip安装的依赖库都会在新环境中安装，不会影响主机自身的python使用pip 安装selenium：pip install selenium。

至此，我们的基本环境就搭建完了4. 安装PhantomJs这个只在从官网上下载就可以：http://phantomjs.org/download.html小喵的本地实验环境是Mac，所以下载了Mac版本。

解压之后就可以使用二、寻觅-搜资源小喵想看的这个漫画貌似各大网站都没有资源，在费了九牛二虎之力后，终于找到了一个网站！http://www.tazhe.com/mh/9170/每个网站的结构都不相同，因此都需要定制一套爬虫程序。

本文的爬虫就只能针对这个漫画网站使用，喵粉们需要爬其他网站的话，需要自己做相应的修改三、分析-资源解析这里需要解析两个页面，一个是漫画的首页，比如前面的：http://www.tazhe.com/mh/9170/

另一个就是具体章节的页面。1. 首页为了减小图片的大小，小喵把窗口做了缩放。首页大致是这个样子。

图1 漫画首页各类信息十分的明了。我们关注的就是下面的漫画列表。通过Chrome强大的审查元素的功能，我们立刻就能定位到章节的位置。（对着感兴趣的位置->右键->审查 就能找到）

图2 章节的节点可以看到，章节所在的区域的id是play_0，学过前端的童鞋都应该知道，一个页面中id通常唯一标示一个节点因此如果我们能够获取这个页面的话，查找id为play_0的节点就能一下子缩小搜索范围。

而每个章节的信息都是一个a标签，标签的href是对应章节的具体网址，标签的文本部分是章节名这样相对关系就得出了：div#play_0 > ul > li > a首页的分析就到此结束2. 章节页面我们随意打开一个具体章节的页面。

比如：http://www.tazhe.com/mh/9170/1187086.html引入眼帘的是一个很干净的页面（简直是漫画界的清流，好多漫画网站上全部是广告）我们把鼠标放在图片这个区域->右键->审查。

咦，我们的右键怎么按不了？其实呢，这个现象在小说网站上遇到的机会会更多当我们看到比较优美的文字或是炫酷的图片，都会下意识的选中->右键->保存而很多时候，这些资源都是有版权的并不应该随意的传播（狠狠的打了自己的脸/(ㄒoㄒ)/~~）。

因此限制鼠标右键会是一个很简单却有效的办法那么我们如何绕过这个陷阱呢？很简单，我们不用右键即可打开浏览器的开发者工具选项，找到elements这个选项可以看到一个复杂的结构（其实和上面审查元素之后的结果一样）。

之后不断的选中标签，当标签被选中时，左侧页面中对应的位置会有蓝色多试几次，最终就能找到对应的位置

图3 漫画图片这是一个img标签，对应的id是qTcms_pic这样找到这个id，就能找到这个img标签，根据src就能找到图片的具体URI地址接下来是找到下一张图片的地址这时候需要查看下一页这个按钮的内容。

用相同的方法，很容易定位成功

图4 下一页小喵本来是用scrapy来做爬虫的，看到这里的时候就果断放弃了我们分析一下，选中的a标签的代码如下：下一页。

比较简单的网站，“下一页”可以用真的a标签和href属性来做这样的好处是实现比较简单，坏处是一旦得到网页源码就能很容易的解析而像scrapy这样的爬虫工具只能抓取静态的代码（动态的需要自己分析ajax，有点麻烦）。

而显然这里的页面是动态的，使用了ajax来实现所以光是得到网页源码并不能真的得到图片，而是必须让其中的js代码运行才可以所以我们才需要使用浏览器或者PhantomJs这样的可以执行js代码的工具上面的a

标签的代码告诉了我们很多信息首先是告诉了我们，这个节点的位置，通过next这个类名可以方便的找到该节点（其实有两个类名为next的按钮，另一个在下面，但是功能都一样）其次，当这个按钮被点击时会调用：a_f_qTcms_Pic_nextUrl_Href()

这个js函数难道我们需要再研究这个函数？不用因为PhantomJs的角色就是一个浏览器我们只需要向真正的用户一样点击一下这个next按钮，就会进入下一个页面/* 感受到这个工具的强大了吗？ */3. 判断章节的末尾

最后一个问题就是，如何判断这个章节结束了？我们跳到章节的最后一页，然后再次点击“下一页”，这时候会出现一个弹窗。

图5 最后一页多次试验之后，我们会发现，只有在最后一页的时候才会弹出这个弹窗，这样的话，我们每抓取完一页，点击一次“下一页”，判断有无弹窗就知道是不是最后一页了在右侧的开发者工具中我们能够看到，这个弹窗是一个。

id为msgDiv的div（而且它的出现和消失是通过增减节点来实现的，另一种实现方法是将display设成none和block，这种情况可以根据display的属性来判断）所以我们判断这个节点存不存在就行了。

至此，两种页面的解析都完成了下一步就开始我们的代码实现吧四、逆袭——代码实现1. selenium的简单用法from selenium import webdriverbrowser = webdriver.Firefox()。

# browser = webdriver.Safari()# browser = webdriver.Chrome()# browser = webdriver.Ie()# browser = webdriver.PhantomJs()

browser.get(http://baidu.com)print browser.title# do anything you want上面是一个简单的例子，第一步import依赖的库第二步，获得一个浏览器实例。

selenium支持多种浏览器使用firefox之外的浏览器都需要下载驱动（selenium本身自带了firefox的驱动）驱动下载地址：https://pypi.python.org/pypi/selenium

 驱动下载完之后将它的路径加入到PATH里，确保驱动程序能够被访问到或者显式的把驱动程序的地址当参数传入像下面一样调用：browser = webdriver.PhantomJs(path/to/phantomjs)。

第三步，用get的方式打开网页最后，通过browser对象来解析和处理页面2. 获取章节的链接信息在上面的解析页面的时候，我们知道了章节信息的位置：div#play_0 > ul > li > a这样就可以解析出章节信息。

browser支持一大堆的选择器大大简化我们查找节点的工作from selenium import webdriverif __name__ == "__main__":    driver = "path/to/driver" # 驱动地址

    browser = webdriver.PhantomJS(driver) # 浏览器实例    main_page = "http://www.tazhe.com/mh/9170/"    browser.get(main_page) # 加载页面

    # 解析出章节的元素节点    chapter_elem_list = browser.find_elements_by_css_selector(#play_0 ul li a) # 通过css选择器找出章节节点

    chapter_elem_list.reverse()  # 原本的章节是倒叙的    chapter_list = []    for chapter_elem in chapter_elem_list:

        # 元素的text和href属性分别就是章节的名称和地址        chapter_list.append((chapter_elem.text, chapter_elem.get_attribute(href)))

    # chapter_list 就是章节的信息3. 给定一个章节的地址，章节中的图片这一步涉及到节点的获取、模拟鼠标的点击以及资源的下载selenium的点击实现特别的人性化只需要获取节点然后调用。

click()方法就搞定资源的下载网上有许多教程，主要有两个方法，通过模拟右键另存为，和获取url用其他工具下载考虑到这里的右键不一定可用，而且操作有一点点复杂小喵选用了第二种方案from selenium import webdriver。

from selenium.common.exceptions import NoSuchElementExceptionimport osfrom os import path as ospimport urllib

# 一个简单的下载器download(url, save_path):    try:        with open(save_path, wb) as fp:            fp.write(urllib.urlopen(url).read())

    except Exception, et:        print(et)if __name__ == "__main__":    driver = "path/to/driver" # 驱动地址

    browser = webdriver.PhantomJS(driver) # 浏览器实例    chapter_url = "http://www.tazhe.com/mh/9170/1187061.html"

    save_folder = "./download"    if not osp.exists(save_folder):        os.mkdir(save_folder)    image_idx = 1

    browser.get(chapter_url) # 加载第一个页面    while True:        # 根据前文的分析，找到图片的URI地址        image_url = browser.find_element_by_css_selector(#qTcms_pic).get_attribute(src)

        save_image_name = osp.join(save_folder, (%05d % image_idx) + . + osp.basename(image_url).split(.)[-1])

        download(image_url, save_image_name) # 下载图片        # 通过模拟点击加载下一页，注意如果是最后一页，会出现弹窗提示        browser.find_element_by_css_selector(a.next).click()

        try:            # 找寻弹窗，如果弹窗存在，说明这个章节下载完毕，这个大循环也就结束了            browser.find_element_by_css_selector(#bgDiv)

            break        except NoSuchElementException:            # 没有结束弹窗，继续下载            image_idx += 1

五、终焉-写在后面至此，漫画喵的设计思路和主要的代码实现都介绍完了上面的代码只是用来示意，小喵自己下载漫画用的代码是另一套github的地址是：https://github.com/miaoerduo/cartoon-cat。

 。项目只有100多行。不过也用了小喵不少的一段时间。博客写完了~小喵的漫画也下完了~

图6 下载好的漫画

原文链接：http://www.miaoerduo.com/python/%E7%88%AC%E8%99%AB-%E6%BC%AB%E7%94%BB%E5%96%B5%E7%9A%84100%E8%A1%8C%E9%80%86%E8%A2%AD.html?utm_source=tuicool&utm_medium=referral

作者：MIAO来源：喵耳朵程序员大咖整理发布，转载请联系作者获得授权。

↙点击“阅读原文”，加入 『程序员大咖』

亲爱的读者们，感谢您花时间阅读本文。如果您对本文有任何疑问或建议，请随时联系我。我非常乐意与您交流。