nyaasuki/PixivSpider
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases 2 Wiki Activity

优化Redis去重逻辑，减少开销

Browse Source
This commit is contained in:
岛风 2024-12-19 21:20:02 +08:00
parent 8e10b5afdd
commit 3a7b4051c1
1 changed files with 201 additions and 49 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

250
Pixiv.py
View File

@ -1,6 +1,6 @@
"""
P站小爬虫 爬每日排行榜
环境需求：Python3.6+ / Redis
环境需求：Python3.8+ / Redis
项目地址：https://github.com/nyaasuki/PixivSpider
"""
@ -24,67 +24,165 @@ error_list = []
class PixivSpider(object):
def __init__(self):
def __init__(self, db=0):
self.ajax_url = 'https://www.pixiv.net/ajax/illust/{}/pages' # id
self.top_url = 'https://www.pixiv.net/ranking.php'
self.r = redis.Redis(host='localhost', port=6379, decode_responses=True)
self.r = redis.Redis(host='localhost', port=6379, db=db, decode_responses=True)
def get_list(self, pid):
"""
:param pid: 插画ID
获取作品所有页面的URL
:param pid: 作品ID
"""
response = requests.get(self.ajax_url.format(pid), headers=self.headers, verify=False)
json_data = response.json()
list_temp = json_data['body']
for l in list_temp:
url_tamp = l['urls']['original']
n = self.r.get(pid)
if not n:
why_not_do = self.get_img(url_tamp)
# 判断是否返回异常 如果有异常则取消这个页面的爬取 等待下次
try:
# 检查Redis中是否已记录该作品已完全下载
if self.r.get(f'downloaded:{pid}') == 'complete':
print(f'作品ID:{pid}已在Redis中标记为完全下载，跳过')
return None
# 发送请求获取作品的所有图片信息
response = requests.get(self.ajax_url.format(pid), headers=self.headers, verify=False)
json_data = response.json()
# 检查API返回是否有错误
if json_data.get('error'):
print(f'获取作品ID:{pid}失败：{json_data.get("message")}')
return pid
# 从返回数据中获取图片列表
images = json_data.get('body', [])
if not images:
print(f'作品ID:{pid}没有图片')
return pid
# 获取Redis中已下载的页面记录
downloaded_redis = set()
for i in range(len(images)):
if self.r.get(f'downloaded:{pid}_p{i}') == 'true':
downloaded_redis.add(i)
# 检查本地已下载的文件并更新Redis记录
if os.path.exists('./img'):
for f in os.listdir('./img'):
if f.startswith(f'{pid}_p'):
page = int(re.search(r'_p(\d+)\.', f).group(1))
if self.r.get(f'downloaded:{pid}_p{page}') != 'true':
self.r.set(f'downloaded:{pid}_p{page}', 'true')
print(f'发现本地文件并更新Redis记录：{f}')
# 使用Redis记录作为唯一来源
downloaded = downloaded_redis
# 遍历所有图片进行下载
for image in images:
# 检查图片数据格式是否正确
if 'urls' not in image or 'original' not in image['urls']:
print(f'作品ID:{pid}的图片数据格式错误')
continue
# 获取原图URL和页码信息
original_url = image['urls']['original']
page_num = int(re.search(r'_p(\d+)\.', original_url).group(1))
# 检查是否已下载过该页面（优先使用Redis记录）
if page_num in downloaded:
print(f'作品ID:{pid} 第{page_num}页在Redis中已标记为下载，跳过')
continue
# 下载图片，如果下载失败返回作品ID以便后续处理
why_not_do = self.get_img(original_url)
if why_not_do == 1:
return pid
else:
print(f'插画ID:{pid}已存在！')
break
# with open('pixiv.json', 'a', encoding='utf-8') as f:
# f.write(url_tamp + '\n')
# 导出
except requests.exceptions.RequestException as e:
print(f'获取作品ID:{pid}时发生网络错误：{str(e)}')
return pid
except Exception as e:
print(f'处理作品ID:{pid}时发生错误：{str(e)}')
return pid
def get_img(self, url):
"""
:param url: 作品页URL
:return:
下载单个图片
:param url: 原图URL，格式如：https://i.pximg.net/img-original/img/2024/12/14/20/00/36/125183562_p0.jpg
:return: 0表示下载成功，1表示下载失败
"""
# 确保下载目录存在
if not os.path.isdir('./img'):
os.makedirs('./img')
file_name = re.findall('/\d+/\d+/\d+/\d+/\d+/\d+/(.*)', url)[0]
if os.path.isfile(f'./img/{file_name}'):
print(f'文件：{file_name}已存在，跳过')
# 单个文件存在并不能判断是否爬取过
# 从URL提取作品ID、页码和文件扩展名
match = re.search(r'/(\d+)_p(\d+)\.([a-z]+)$', url)
if not match:
print(f'无效的URL格式: {url}')
return 1
# 解析URL信息并构建文件名
illust_id, page_num, extension = match.groups()
file_name = f"{illust_id}_p{page_num}.{extension}"
# 检查Redis中是否已记录为下载
if self.r.get(f'downloaded:{illust_id}_p{page_num}') == 'true':
print(f'Redis记录：{file_name}已下载，跳过')
return 0
print(f'开始下载：{file_name}')
t = 0
# 作为备份检查，验证文件是否存在
if os.path.isfile(f'./img/{file_name}'):
# 如果文件存在但Redis没有记录，更新Redis记录
self.r.set(f'downloaded:{illust_id}_p{page_num}', 'true')
print(f'文件已存在但Redis未记录，已更新Redis：{file_name}')
return 0
# 开始下载流程
print(f'开始下载：{file_name} (第{int(page_num)+1}张)')
t = 0 # 重试计数器
# 最多重试3次
while t < 3:
try:
# 下载图片，设置15秒超时
img_temp = requests.get(url, headers=self.headers, timeout=15, verify=False)
break
except requests.exceptions.RequestException:
print('连接异常！正在重试！')
if img_temp.status_code == 200:
break
print(f'下载失败，状态码：{img_temp.status_code}')
t += 1
except requests.exceptions.RequestException as e:
print(f'连接异常：{str(e)}')
t += 1
# 如果重试3次都失败，放弃下载
if t == 3:
# 返回异常 取消此次爬取 等待下次
print(f'下载失败次数过多，跳过该图片')
return 1
# 将图片内容写入文件
with open(f'./img/{file_name}', 'wb') as fp:
fp.write(img_temp.content)
# 下载成功后在Redis中记录
self.r.set(f'downloaded:{illust_id}_p{page_num}', 'true')
# 获取作品总页数并检查是否已下载所有页面
page_count = self.r.get(f'total_pages:{illust_id}')
if not page_count:
# 当前页号+1可能是总页数（保守估计）
self.r.set(f'total_pages:{illust_id}', str(int(page_num) + 1))
elif int(page_num) + 1 == int(page_count):
# 如果当前是最后一页，检查是否所有页面都已下载
all_downloaded = all(
self.r.get(f'downloaded:{illust_id}_p{i}') == 'true'
for i in range(int(page_count))
)
if all_downloaded:
self.r.set(f'downloaded:{illust_id}', 'complete')
print(f'作品ID:{illust_id}已完全下载')
print(f'下载完成并已记录到Redis：{file_name}')
return 0
def get_top_url(self, num):
"""
:param num: 页码
:return:
获取每日排行榜的特定页码数据
:param num: 页码数（1-10）
:return: None
"""
params = {
'mode': 'daily',
@ -97,22 +195,61 @@ class PixivSpider(object):
self.pixiv_spider_go(json_data['contents'])
def get_top_pic(self):
"""
从排行榜数据中提取作品ID和用户ID
并将用户ID存入Redis数据库中
:return: 生成器，返回作品ID
"""
for url in self.data:
illust_id = url['illust_id']
illust_user = url['user_id']
yield illust_id # 生成PID
self.r.set(illust_id, illust_user)
illust_id = url['illust_id'] # 获取作品ID
illust_user = url['user_id'] # 获取用户ID
yield illust_id # 生成作品ID
self.r.set(illust_id, illust_user) # 将PID保存到Redis中
@classmethod
def pixiv_spider_go(cls, data):
"""
存储排行榜数据供后续处理
:param data: 排行榜JSON数据中的contents部分
"""
cls.data = data
@classmethod
def pixiv_main(cls):
"""
爬虫主函数
1. 选择Redis数据库
2. 获取或设置Cookie
3. 配置请求头
4. 遍历排行榜页面（1-10页）
5. 下载每个作品的所有图片
6. 处理下载失败的作品
"""
# 选择Redis数据库
while True:
try:
print("\n可用的Redis数据库:")
for i in range(6):
print(f"{i}.DB{i}")
db_choice = input("\n请选择Redis数据库 (0-5): ")
db_num = int(db_choice)
if 0 <= db_num <= 5:
break
print("错误：请输入0到5之间的数字")
except ValueError:
print("错误：请输入有效的数字")
global pixiv
pixiv = PixivSpider(db_num)
print(f"\n已选择 DB{db_num}")
# 从Redis获取Cookie，如果没有则要求用户输入
cookie = pixiv.r.get('cookie')
if not cookie:
cookie = input('请输入一个cookie：')
pixiv.r.set('cookie', cookie)
# 配置请求头，包含必要的HTTP头部信息
cls.headers = {
'accept': 'application/json',
'accept-language': 'zh-CN,zh;q=0.9,zh-TW;q=0.8,en-US;q=0.7,en;q=0.6',
@ -123,19 +260,34 @@ class PixivSpider(object):
'sec-fetch-site': 'same-origin',
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.75 Safari/537.36'
}
print('开始抓取...')
for i in range(1, 11, 1): # p站每日排行榜最多为500个
pixiv.get_top_url(i)
for j in pixiv.get_top_pic():
k = pixiv.get_list(j) # 接口暂时不想写了 先这样凑合一下吧
if k:
# 遍历排行榜前10页
for i in range(1, 11, 1): # p站每日排行榜最多为500个（50个/页 x 10页）
pixiv.get_top_url(i) # 获取当前页的排行榜数据
for j in pixiv.get_top_pic(): # 遍历当前页的所有作品
k = pixiv.get_list(j) # 下载作品的所有图片
if k: # 如果下载失败，将作品ID添加到错误列表
error_list.append(k)
# 清理下载失败的作品记录
for k in error_list:
pixiv.r.delete(k)
if __name__ == '__main__':
pixiv = PixivSpider()
pixiv.pixiv_main()
# for id_url in pixiv.get_list():
# pixiv.get_img(id_url)
try:
print('正在启动Pixiv爬虫...')
print('确保已安装并启动Redis服务')
print('确保已准备好有效的Pixiv Cookie')
# 运行主程序
PixivSpider.pixiv_main()
print('爬虫运行完成')
except redis.exceptions.ConnectionError:
print('错误：无法连接到Redis服务，请确保Redis服务正在运行')
except KeyboardInterrupt:
print('\n用户中断运行')
except Exception as e:
print(f'发生错误：{str(e)}')