diff --git a/Pixiv.py b/Pixiv.py index 72ad5fc..458b559 100644 --- a/Pixiv.py +++ b/Pixiv.py @@ -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)}')