python爬虫爬取pixiv图片实战详解

来源: https://www.ucloud.cn/yun/128242.html 作者: 89542767 发布日期: 发布于2022-11-05 10:56

小编写这篇文章的主要目的，是来给大家做出一个介绍，介绍关于python爬虫的一些技能技巧，包括怎么才能够爬取pixiv图片，作为一个小白来讲，还是需要一定的实战的，那么，具体的实战技能，下面就给大家详细的解答下。

　　自从接触python以后就想着爬pixiv，之前因为梯子有点问题就一直搁置，最近换了个梯子就迫不及待试了下。

　　爬虫无非request获取html页面然后用正则表达式或者beautifulsoup之类现成工具截取我们想要的页面，pixiv也不例外。

　　首先我们来实现模拟登陆，虽然大多数情况不需要我们实现模拟登录，但如果你是会员之类的，登录和不登录网页就有区别。思路是登录时抓包抓到post请求，看pixiv构建的post的数据表格是什么格式，我们根据这个格式构建form，然后调用post方法去请求，再保存到session中，之后访问相关页面用session替代requests即可。

　　可以看到pixiv登录的网址如下，直接复制：

　　抓包找到提交数据的请求：

　　可以看到表单数据主要是这几个，经过几次尝试，我们在模拟的时候只需要构建password、pixiv_id、post_key再加上一个return_to（第二张）即可。pixiv_id就是我们的账号，password是密码，return_to照着填就行，但这个post_key却是随机的。

　　但我们也有办法，它是我们每次访问登录页面时动态生成的，这就好办了，再登录前先爬取一次登录前的页面，找到postkey。

　　看到下图红圈里面：

　　那就可以直接正则爬取：

　　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]

　　然后我们就可以构建数据包：

　　pixiv_id="账号"#你的pixiv账号
　　password='xxxxx'#你的pixiv密码
　　return_to='https://www.pixiv.net/'
　　post_key=get_postkey()
　　实例化一个session对象，然后post提交就能完成模拟登陆：
　　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)

　　#至此模拟登录成功

　　到此模拟登录就成功了，接下来就是爬我们想要的图片，以爬排行榜为例：

　　打开排行榜页面，鼠标悬停图片，右键检查，可以找到对应的代码位置：

　　找到每张图片的相似结构，我们可以用BeautifulSoup找到节点，然后正则爬我们想要的网址：

　　先找到包含每张图片各种信息的节点，通过类名查找，然后对于每一个节点进行正则提取，提取出对应图片的下载链接，不过需要特别注意的是，pixiv直接显示的图片源是骗你的，真正的图片链接的形式应该是：

　　https://i.pximg.net/img-original/img/xxxx/xx/xx/xx/xx/xx/xxxxxxxx\_p0.png

　　这样的，直接把这个网址复制网页栏访问会显示403，因为pixiv限制了必须从pixiv网页点进这个网址，所以我们首先必须headers构建refer-to，然后通过排行榜提取到信息后还需要自己手动构建正确的网址：

　　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

　　这里的代码偷了个懒，全部当作jpg来处理，下载的时候再处理png的情况

　　下载的具体函数，我们对每一个网址的后续部分提取出来作名字，随机睡眠1到4秒防止pixiv认出我们是爬虫把我们ip给封了，之后就是对网址进行访问下载，这里如果访问返回的状态码是404说明它其实是个png格式的图片，所以对png格式的文件重新构建正确的网址即可：

　　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)+"张图片已下载成功！！")
　　else:
　　with open(path+filename+'/'+str(pic_name1)+'.jpg','wb')as f:
　　f.write(response.content)
　　print("第"+str(i)+"张图片已下载成功！！")
　　i+=1

　　最后就是成功下载排行榜的图片：

　　另外我在爬的时候发现pixiv很多网页获取时会隐藏body部分的内容，包括但不限于各个tag的网页和单个id图片的网页，一开始以为是没有登录的原因，但是实现登录后发现依然如此，推测可能是body部分内容是子网页或者javsscript生成之类的，反正前端有一万种方法达成这个目的，这个之后再研究怎么爬。

　　综上所述，小编就给大家介绍到这里了，希望可以给各位读者带来一定的帮助。