Python爬虫源码，Behance 作品图片及内容采集爬虫附工具脚本！

Python
560
0
0
2024-02-12
Python爬虫源码，Behance 作品图片及内容 selenium 采集爬虫
上一篇
机器学习可视化技术概览(Python)
下一篇
标签   Python爬虫

Behance 网站是设计师灵感必备网站，想要设计作品必先学会借鉴/抄袭/白嫖，可惜这个网站需要访问国外网站才能访问，对于国人不甚友好，甚至还出现了删号，渣渣狗得很！

这个网站跟国内的网站，花瓣网很像，甚至可以说花瓣学习了它不少，在瀑布流网页的展示上也有很多相似之处。

前面本渣渣就分享过花瓣网图片采集爬虫，感兴趣可以移步查看，现在还能用！

注：Behance 作品图片及内容采集 需配合访问国外网站的工具使用，前面本渣渣也有分享相关签到工具的源码脚本，尤其适合像本渣渣一样菜的白嫖党使用。

附上几个关键点，以供参考！

headers 协议头

网站反爬的基础方式之一，也是根本，那就是协议头，现在不少网站除了ua，还需要获取到cookies，Behance 网站也不例外，两个要素缺一不可，否则访问会返回不支持机器访问。

headers={
        "cookie":cookie ,
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36",
    }

访问超时重试机制

由于使用的是访问国外网站的工具，而且是白嫖的免费工具，同时访问的是外网，因此在网页访问及图片下载请求的同时都会存在访问超时的情况，这个时候就需要对于访问失败或者超时错误进行重试处理。

  1. 设置访问超时10s，以免程序卡死
response = requests.get(url=url, headers=headers, timeout=10)
  1. 访问超时或者失败重试机制，这里重试两次，然后直接跳过
def get_response(url, headers):
    i = 0
    while i < 3:
      try:
          response = requests.get(url, headers=headers, timeout=8)
          return response
      except requests.exceptions.RequestException:
          i += 1
          print(f">> 获取网页出错，6S后将重试获取第：{i} 次")
          time.sleep(6)

多线程的使用

既然是图片的采集，那么效率方面一定要兼顾，这方面多线程的使用也是标配了，这里就搬出了本渣渣祖传的多线程代码以供参考，别问为什么这么写，直接照抄就是了，因为本渣渣也是抄的。

  1. 多线程下载图片版本一 threading（推荐）
#多线程下载图片方式一
import threading
 
def down_imgs(imgs,path,url):
    threadings = []
    for img in imgs:
        t = threading.Thread(target=tps, args=(path,img,url))
        threadings.append(t)
        t.start()
 
    for x in threadings:
        x.join()
 
    print(f"恭喜，多线程下载图片完成!")
  1. 多线程下载图片版本二 Pool
#多线程下载图片方式二
from multiprocessing.dummy import Pool as ThreadPool
 
def get_imgs(datas):
    try:
        # 开4个 worker，没有参数时默认是 cpu 的核心数
        pool = ThreadPool()
        results = pool.map(tpss, datas)
        pool.close()
        pool.join()
    except:
        print("Error: unable to start thread")

其他方面就没有什么写的，都是基操，有手就行（其实字数篇幅到了），就这样吧！

如对本渣渣狗屎一样的源码感兴趣，可拉至文末，屎山供参考！考虑到大部分老哥老妹对于源码不感兴趣，这里附上exe采集工具以供尝试，仅支持单篇作品文章采集，采集完成效果，包括图片及文字信息。

提供两个 Behance 作品采集工具，一个单线程下载图片版本，一个多线程下载图片版本V2.0！

采集过程演示：

采集效果：

附工具使用说明：

Behance 作品采集器-

工具用途：Behance 作品单篇采集，可采集图片及文字内容信息；

注意：需配合访问国外网站

工具使用。

工具保证免费无毒，首发唯一来源：

工具为Python编写，

编写环境为Win7 64位，推荐该环境下使用， 其他系统环境不保证兼容。

附上完整源码供参考，cookie需自行补充填写！

#Behance网站作品采集
#https://www.behance.net/search/projects?field=industrial+design
# -*- coding: UTF-8 -*-
#@author:huguo00289
import requests
import time
from lxml import etree
import re
import os
import random
import threading
from multiprocessing.dummy import Pool as ThreadPool
 
 
#单线程下图片
def get_detail(url):
    headers={
        "cookie":cookie ,
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36",
    }
    response = requests.get(url=url, headers=headers, timeout=10)
    print(response.status_code)
    html = response.content.decode("utf-8")
    #print(html)
    get_html(html, url)
 
 
#多线程下图片
def get_sdetail(url):
    headers={
        "cookie": cookie,
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36",
    }
    response = requests.get(url=url, headers=headers, timeout=10)
    print(response.status_code)
    html = response.content.decode("utf-8")
    #print(html)
    get_shtml(html, url)
 
 
#多线程下图片方式二
def get_ssdetail(url):
    headers={
        "cookie": cookie,
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36",
    }
    response = requests.get(url=url, headers=headers, timeout=10)
    print(response.status_code)
    html = response.content.decode("utf-8")
    get_sshtml(html,url)
 
 
def tp(path,img_url,url):
    ua_list = [
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
        'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36Chrome 17.0',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
        'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0Firefox 4.0.1',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
        'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
    ]
    headers = {
        'Connection': 'close',
        'referer': url,
        "User-Agent": random.choice(ua_list)
    }
    img_name=img_url.split('/')[-1]
    r = requests.get(img_url,headers=headers,timeout=10)
    time.sleep(1)
    with open(f'{path}{img_name}','wb')as f:
        f.write(r.content)
    print(f">> {img_name}下载图片成功")
 
 
# 3次重试
def get_response(url, headers):
    i = 0
    while i < 4:
      try:
          response = requests.get(url, headers=headers, timeout=10)
          return response
      except requests.exceptions.RequestException:
          i += 1
          print(f">> 获取网页出错，6S后将重试获取第：{i} 次")
          time.sleep(i*2)
 
 
 
 
def tps(path,img_url,url):
    ua_list = [
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
        'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36Chrome 17.0',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
        'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0Firefox 4.0.1',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
        'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
    ]
    headers = {
        'Connection': 'close',
        'referer': url,
        "User-Agent": random.choice(ua_list)
    }
    img_name=img_url.split('/')[-1]
    r = get_response(img_url, headers)
    time.sleep(1)
    with open(f'{path}{img_name}','wb')as f:
        f.write(r.content)
    print(f">> {img_name}下载图片成功")
 
 
#解析页面下图单线程
def get_html(html,url):
    tree=etree.HTML(html)
 
    h2=tree.xpath('//title/text()')[0]
    h2 = h2.strip()
    h2 = h2.replace('|', '')
    pattern = r"[\/\\\:\*\?\"\<\>\|]"
    h2 = re.sub(pattern, "_", h2)  # 替换为下划线
    print(">> 获取网页标题成功，标题为：")
    print(h2)
 
    path = f'{h2}/'
    os.makedirs(path, exist_ok=True)
 
    main_text = tree.xpath('//div[@class="main-text"]//span/text()')
    text = '\n'.join(main_text)
    text = f'{h2}\n\n{text}'
    with open(f'{path}{h2}.txt', 'w', encoding='utf-8') as f:
        f.write(text)
    print(">> 恭喜，保存作品内容成功！")
    print(f"作品内容保存为：{h2}.txt ！")
 
    imgs=tree.xpath('//div[@class="ImageElement-root-kir"]/img/@src')
    print(">> 获取图片成功，图片列表为：")
    print(imgs)
    for img in imgs:
        try:
            tp(path,img, url)
        except Exception as e:
            print(f"下载 {img} 图片失败，错误代码：{e}！")
            print(">> 4s后尝试重新下载图片...")
            time.sleep(4)
            try:
                tp(path, img, url)
            except Exception as e:
                print(f"下载 {img} 图片失败，错误代码：{e}！")
                time.sleep(6)
                print(">> 6s后尝试重新下载图片...")
                try:
                    tp(path, img, url)
                except Exception as e:
                    print(f"下载 {img} 图片失败，错误代码：{e}！")
                    time.sleep(4)
                    print(f"下载 {img} 图片失败，已跳过该图片下载！")
                    pass
 
        time.sleep(5)
 
 
 
#多线程下载图片方式一
def down_imgs(imgs,path,url):
    threadings = []
    for img in imgs:
        t = threading.Thread(target=tps, args=(path,img,url))
        threadings.append(t)
        t.start()
 
    for x in threadings:
        x.join()
 
    print(f"恭喜，多线程下载图片完成!")
 
 
 
def tpss(data):
    path=data[0]
    img_url=data[1]
    url=data[2]
    ua_list = [
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
        'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36Chrome 17.0',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
        'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0Firefox 4.0.1',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
        'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
    ]
    headers = {
        'Connection': 'close',
        'referer': url,
        "User-Agent": random.choice(ua_list)
    }
    img_name=img_url.split('/')[-1]
    r = get_response(img_url, headers)
    time.sleep(1)
    with open(f'{path}{img_name}','wb')as f:
        f.write(r.content)
    print(f">> {img_name}下载图片成功")
 
 
#多线程下载图片方式二
def get_imgs(datas):
    try:
        # 开4个 worker，没有参数时默认是 cpu 的核心数
        pool = ThreadPool()
        results = pool.map(tpss, datas)
        pool.close()
        pool.join()
    except:
        print("Error: unable to start thread")
 
 
 
#解析页面下图多线程方式二
def get_sshtml(html,url):
    tree=etree.HTML(html)
 
    h2=tree.xpath('//title/text()')[0]
    h2 = h2.strip()
    h2 = h2.replace('|', '')
    pattern = r"[\/\\\:\*\?\"\<\>\|]"
    h2 = re.sub(pattern, "_", h2)  # 替换为下划线
    print(">> 获取网页标题成功，标题为：")
    print(h2)
 
    path = f'{h2}/'
    os.makedirs(path, exist_ok=True)
 
    main_text = tree.xpath('//div[@class="main-text"]//span/text()')
    text = '\n'.join(main_text)
    text = f'{h2}\n\n{text}'
    with open(f'{path}{h2}.txt', 'w', encoding='utf-8') as f:
        f.write(text)
    print(">> 恭喜，保存作品内容成功！")
    print(f"作品内容保存为：{h2}.txt ！")
 
    imgs=tree.xpath('//div[@class="ImageElement-root-kir"]/img/@src')
    print(">> 获取图片成功，图片列表为：")
    print(imgs)
    datas=[]
    for img in imgs:
        data=path,img,url
        datas.append(data)
 
    print(">> 正在多线程下载图片，请稍候...")
    get_imgs(datas)
 
    time.sleep(5)
 
 
 
#解析页面下图多线程
def get_shtml(html,url):
    tree=etree.HTML(html)
 
    h2=tree.xpath('//title/text()')[0]
    h2 = h2.strip()
    h2 = h2.replace('|', '')
    pattern = r"[\/\\\:\*\?\"\<\>\|]"
    h2 = re.sub(pattern, "_", h2)  # 替换为下划线
    print(">> 获取网页标题成功，标题为：")
    print(h2)
 
    path = f'{h2}/'
    os.makedirs(path, exist_ok=True)
 
    main_text = tree.xpath('//div[@class="main-text"]//span/text()')
    text = '\n'.join(main_text)
    text = f'{h2}\n\n{text}'
    with open(f'{path}{h2}.txt', 'w', encoding='utf-8') as f:
        f.write(text)
    print(">> 恭喜，保存作品内容成功！")
    print(f"作品内容保存为：{h2}.txt ！")
 
    imgs=tree.xpath('//div[@class="ImageElement-root-kir"]/img/@src')
    print(">> 获取图片成功，图片列表为：")
    print(imgs)
    print(">> 正在多线程下载图片，请稍候...")
    down_imgs(imgs, path, url)
 
    time.sleep(5)
 
 
 
if __name__=="__main__":
    print("欢迎使用 Behance 作品采集器 V2.0 -Python与SEO ！")
    print("BUG 反馈-微信：huguo00289！")
    print("=========================================================")
    print("！！！注意，需要结合访问国外网站使用！！！"
          "\n"
          "需输入采集Behance作品链接"
          "\n"
          "粘贴/输入链接后回车运行采集器"
          "\n")
    print("=========================================================")
    url=input("请粘贴/输入要采集的 Behance 作品链接:")
    print(">> 正在采集，请稍候...")
    # get_detail(url) #单线程下图片
    get_sdetail(url)  #多线程下图片方式一
    # get_ssdetail(url)  #多线程下图片方式二
    print("恭喜，Behance 作品采集成功！")
    print("4s后自动关闭程序！")
    time.sleep(4)
Python爬虫源码，Behance 作品图片及内容 selenium 采集爬虫
上一篇
机器学习可视化技术概览(Python)
下一篇