项目地址：https://github.com/jrainlau/wallpaper-downloader
前言
好久没有写文章了，因为最近都在适应新的岗位，以及利用闲暇时间学习python。这篇文章是最近的一个python学习阶段性总结，开发了一个爬虫批量下载某壁纸网站的高清壁纸。
注意：本文所属项目仅用于python学习，严禁作为其他用途使用！
初始化项目
项目使用了
virtualenv
来创建一个虚拟环境，避免污染全局。使用
pip3
直接下载即可：
pip3 install virtualenv
然后在合适的地方新建一个
wallpaper-downloader
目录，使用
virtualenv
创建名为
venv
的虚拟环境：
virtualenv venv
. venv/bin/activate
接下来创建依赖目录：
echo bs4 lxml requests > requirements.txt
最后yun下载安装依赖即可：
pip3 install -r requirements.txt
分析爬虫工作步骤
为了简单起见，我们直接进入分类为“aero”的壁纸列表页：http://wallpaperswide.com/aero-desktop-wallpapers.html/page/1。
可以看到，这一页里面一共有10张可供下载的壁纸。但是由于这里显示的都是缩略图，作为壁纸来说清晰度是远远不够的，所以我们需要进入壁纸详情页，去找到高清的下载链接。从第一张壁纸点进去，可以看到一个新的页面：
因为我机器是Retina屏幕，所以我打算直接下载体积最大的那个以保证高清（红圈所示体积）。
了解了具体的步骤以后，就是通过开发者工具找到对应的dom节点，提取相应的url即可，这个过程就不再展开了，读者自行尝试即可，下面进入编码部分。
访问页面
新建一个
download.py
文件，然后引入两个库：
from bs4 import BeautifulSoup
import requests
接下来，编写一个专门用于访问url，然后返回页面html的函数：
def visit_page(url):
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36'
}
r = requests.get(url, headers = headers)
r.encoding = 'utf-8'
return BeautifulSoup(r.text, 'lxml')
为了防止被网站反爬机制击中，所以我们需要通过在header添加UA把爬虫伪装成正常的浏览器，然后指定utf-8编码，最后返回字符串格式的html。
提取链接
在获取了页面的html以后，就需要提取这个页面壁纸列表所对应的url了：
def get_paper_link(page):
links = page.select('#content > div > ul > li > div > div a')
return [link.get('href') for link in links]
这个函数会把列表页所有壁纸详情的url给提取出来。
下载壁纸
有了详情页的地址以后，我们就可以进去挑选合适的size了。在对页面的dom结构分析后可以知道，每一个size都对应着一个链接：
所以第一步，就是把这些size对应的链接提取出来：
wallpaper_source = visit_page(link)
wallpaper_size_links = wallpaper_source.select('#wallpaper-resolutions > a')
size_list = [{
'size': eval(link.get_text().replace('x', '*')),
'name': link.get('href').replace('/download/', ''),
'url': link.get('href'
)
} for link in wallpaper_size_links]
size_list
就是这些链接的一个集合。为了方便接下来选出最高清（体积最大）的壁纸，在
size
中我使用了
eval
方法，直接把这里的
5120x3200
给计算出来，作为
size
的值。
获取了所有的集合之后，就可以使用
max()
方法选出最高清的一项出来了：
biggest_one = max(size_list, key = lambda item: item['size'])
这个
biggest_one
当中的
url
就是对应size的下载链接，接下来只需要通过
requests
库把链接的资源下载下来即可：
result = requests.get(PAGE_DOMAIN + biggest_one['url'])
if result.status_code == 200:
open('wallpapers/' + biggest_one['name'], 'wb').write(result.content)
注意，首先你需要在根目录下创建一个
wallpapers
目录，否则运行时会报错。
整理一下，完整的
download_wallpaper
函数长这样：
def download_wallpaper(link):
wallpaper_source = visit_page(PAGE_DOMAIN + link)
wallpaper_size_links = wallpaper_source.select('#wallpaper-resolutions > a')
size_list = [{
'size': eval(link.get_text().replace('x', '*')),
'name': link.get('href').replace('/download/', ''),
'url': link.get('href')
} for link in wallpaper_size_links]
biggest_one = max(size_list, key = lambda item: item['size'])
print('Downloading the ' + str(index + 1) + '/' + str(total) + ' wallpaper: ' + biggest_one['name'])
result = requests.get(PAGE_DOMAIN + biggest_one['url'])
if result.status_code == 200:
open('wallpapers/' + biggest_one['name'], 'wb').write(result.content)
批量运行
上述的步骤仅仅能够下载
第一个壁纸列表页
的
第一张壁纸
。如果我们想下载
多个列表页
的
全部壁纸
，我们就需要循环调用这些方法。首先我们定义几个常量：
import sys
if
len(sys.argv) != 4:
print('3 arguments were required but only find ' + str(len(sys.argv) - 1) + '!')
exit()
category = sys.argv[1]
try:
page_start = [int(sys.argv[2])]
page_end = int(sys.argv[3])
except:
print('The second and third arguments must be a number but not a string!')
exit()
这里通过获取命令行参数，指定了三个常量
category
,
page_start
和
page_end
，分别对应着壁纸分类，起始页页码，终止页页码。
为了方便起见，再定义两个url相关的常量：
PAGE_DOMAIN = 'http://wallpaperswide.com'
PAGE_URL = 'http://wallpaperswide.com/' + category + '-desktop-wallpapers/page/'
接下来就可以愉快地进行批量操作了，在此之前我们来定义一个
start()
启动函数：
def start():
if page_start[0] <= page_end:
print('Preparing to download the ' + str(page_start[0]) + ' page of all the "' + category + '" wallpapers...')
PAGE_SOURCE = visit_page(PAGE_URL + str(page_start[0]))
WALLPAPER_LINKS = get_paper_link(PAGE_SOURCE)
page_start[0] = page_start[0] + 1
for index, link in enumerate(WALLPAPER_LINKS):
