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

完成主程序模块整合与显示功能实现

Browse Source
This commit is contained in:
岛风 2024-12-20 12:34:55 +08:00
parent f655d50b9b
commit 8f53280478
2 changed files with 186 additions and 106 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

289
Pixiv.py
View File

@ -2,42 +2,109 @@
P站小爬虫 爬每日排行榜
环境需求：Python3.8+ / Redis
项目地址：https://github.com/nyaasuki/PixivSpider
"""
import re
import os
import sys
import time
try:
import requests
import redis
from rich.console import Console
from rich.progress import Progress, BarColumn, TaskProgressColumn, TextColumn, SpinnerColumn
from rich.live import Live
from rich.layout import Layout
except:
print('检测到缺少必要包！正在尝试安装！.....')
os.system(r'pip install -r requirements.txt')
import requests
import redis
from rich.console import Console
from rich.progress import Progress, BarColumn, TaskProgressColumn, TextColumn, SpinnerColumn
from rich.live import Live
from rich.layout import Layout
requests.packages.urllib3.disable_warnings()
error_list = []
# 创建Console对象用于日志输出
console = Console()
# 创建Layout布局
layout = Layout()
layout.split(
Layout(name="PixivSpider", ratio=8),
Layout(name="progress", ratio=2)
)
# 创建日志面板并设置样式
from rich.panel import Panel
from rich.live import Live
from rich.console import Group
# 创建日志存储列表
log_messages = []
def update_log(message):
"""更新日志显示"""
log_messages.append(message)
if len(log_messages) > 18: # 保持最近的18条日志
log_messages.pop(0)
log_group = Group(*log_messages)
layout["PixivSpider"].update(
Panel(
log_group,
title="PixivSpider",
title_align="left",
border_style="cyan",
padding=(0, 1)
)
)
# 创建Console对象用于日志输出
console = Console()
def format_speed(speed):
"""格式化速度显示，保留两位小数并添加单位"""
return f"{speed:.2f}t/秒" if speed is not None else ""
# 创建进度条
progress = Progress(
TextColumn("[bold blue]{task.description}"),
BarColumn(bar_width=40),
TaskProgressColumn(),
TextColumn("{task.fields[speed]}"),
console=Console(stderr=True), # 使用stderr以避免与日志混合
expand=True,
)
class PixivSpider(object):
# 类变量用于跟踪总体进度
total_images = 500 # 每日排行榜总图片数
main_task_id = None # 主任务ID
current_subtask_id = None # 当前子任务ID
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, db=db, decode_responses=True)
# 创建进度显示所需的任务
with Live(layout, console=console, refresh_per_second=10):
cls = self.__class__
if not cls.main_task_id:
layout["progress"].update(progress)
cls.main_task_id = progress.add_task("[cyan]总体进度", total=cls.total_images, speed="")
def get_list(self, pid):
"""
获取作品所有页面的URL
:param pid: 作品ID
"""
"""获取作品所有页面的URL"""
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')
update_log(f'[yellow]作品ID:{pid}已在Redis中标记为完全下载，跳过[/yellow]')
progress.update(self.__class__.main_task_id, advance=1)
return None
# 发送请求获取作品的所有图片信息
@ -46,13 +113,13 @@ class PixivSpider(object):
# 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")}')
update_log(f'[red]获取作品ID:{pid}失败：{json_data.get("message")}[/red]')
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')
update_log(f'[red]作品ID:{pid}没有图片[/red]')
return pid
# 获取Redis中已下载的页面记录
@ -68,45 +135,70 @@ class PixivSpider(object):
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}')
update_log(f'[green]发现本地文件并更新Redis记录：{f}[/green]')
# 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
if len(images) > 1:
# 对于多图片组，创建子进度条
with progress:
subtask_id = progress.add_task(
f"[yellow]PID:{pid}",
total=len(images),
visible=True,
speed=""
)
for image in images:
if 'urls' not in image or 'original' not in image['urls']:
update_log(f'[red]作品ID:{pid}的图片数据格式错误[/red]')
progress.update(subtask_id, advance=1)
continue
original_url = image['urls']['original']
page_num = int(re.search(r'_p(\d+)\.', original_url).group(1))
if page_num in downloaded:
update_log(f'[yellow]作品ID:{pid} 第{page_num}页在Redis中已标记为下载，跳过[/yellow]')
progress.update(subtask_id, advance=1)
continue
why_not_do = self.get_img(original_url)
progress.update(subtask_id, advance=1)
if why_not_do == 1:
return pid
progress.remove_task(subtask_id)
else:
# 单图片直接处理
for image in images:
if 'urls' not in image or 'original' not in image['urls']:
update_log(f'[red]作品ID:{pid}的图片数据格式错误[/red]')
continue
original_url = image['urls']['original']
page_num = int(re.search(r'_p(\d+)\.', original_url).group(1))
# 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
if page_num in downloaded:
update_log(f'[yellow]作品ID:{pid} 第{page_num}页在Redis中已标记为下载，跳过[/yellow]')
continue
why_not_do = self.get_img(original_url)
if why_not_do == 1:
return pid
# 更新总进度
progress.update(self.__class__.main_task_id, advance=1)
except requests.exceptions.RequestException as e:
print(f'获取作品ID:{pid}时发生网络错误：{str(e)}')
update_log(f'[red]获取作品ID:{pid}时发生网络错误：{str(e)}[/red]')
return pid
except Exception as e:
print(f'处理作品ID:{pid}时发生错误：{str(e)}')
update_log(f'[red]处理作品ID:{pid}时发生错误：{str(e)}[/red]')
return pid
def get_img(self, url):
"""
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
"""
"""下载单个图片"""
# 确保下载目录存在
if not os.path.isdir('./img'):
os.makedirs('./img')
@ -114,7 +206,7 @@ class PixivSpider(object):
# 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}')
update_log(f'[red]无效的URL格式: {url}[/red]')
return 1
# 解析URL信息并构建文件名
@ -123,35 +215,31 @@ class PixivSpider(object):
# 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')
update_log(f'[yellow]Redis记录：{file_name}已下载，跳过[/yellow]')
return 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}')
update_log(f'[green]文件已存在但Redis未记录，已更新Redis：{file_name}[/green]')
return 0
# 开始下载流程
print(f'开始下载：{file_name} (第{int(page_num)+1}张)')
update_log(f'[cyan]开始下载：{file_name} (第{int(page_num)+1}张)[/cyan]')
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)
if img_temp.status_code == 200:
break
print(f'下载失败，状态码：{img_temp.status_code}')
update_log(f'[red]下载失败，状态码：{img_temp.status_code}[/red]')
t += 1
except requests.exceptions.RequestException as e:
print(f'连接异常：{str(e)}')
update_log(f'[red]连接异常：{str(e)}[/red]')
t += 1
# 如果重试3次都失败，放弃下载
if t == 3:
print(f'下载失败次数过多，跳过该图片')
update_log(f'[red]下载失败次数过多，跳过该图片[/red]')
return 1
# 将图片内容写入文件
@ -160,30 +248,28 @@ class PixivSpider(object):
# 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')
update_log(f'[green]作品ID:{illust_id}已完全下载[/green]')
print(f'下载完成并已记录到Redis：{file_name}')
if not self.r.exists(f'total_pages:{illust_id}') or int(page_num) == 0:
# 单图片直接显示下载完成信息
update_log(f'[green]{file_name} 已下载![/green]')
else:
# 多图片组显示详细信息
update_log(f'[green]下载完成并已记录到Redis：{file_name}[/green]')
return 0
def get_top_url(self, num):
"""
获取每日排行榜的特定页码数据
:param num: 页码数（1-10）
:return: None
"""
"""获取每日排行榜的特定页码数据"""
params = {
'mode': 'daily',
'content': 'illust',
@ -195,61 +281,43 @@ 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
"""
"""从排行榜数据中提取作品ID和用户ID"""
for url in self.data:
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
illust_id = url['illust_id']
illust_user = url['user_id']
yield illust_id
self.r.set(illust_id, illust_user)
@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
"""
"""存储排行榜数据供后续处理"""
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
"""爬虫主函数"""
while True:
try:
print("\n可用的Redis数据库:")
console.print("\n[cyan]可用的Redis数据库:[/cyan]")
for i in range(6):
print(f"{i}.DB{i}")
console.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")
console.print("[red]错误：请输入0到5之间的数字[/red]")
except ValueError:
print("错误：请输入有效的数字")
console.print("[red]错误：请输入有效的数字[/red]")
global pixiv
pixiv = PixivSpider(db_num)
print(f"\n已选择 DB{db_num}")
console.print(f"\n[green]已选择 DB{db_num}[/green]")
# 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',
@ -261,33 +329,44 @@ class PixivSpider(object):
'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...')
# 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)
console.print('[cyan]开始抓取...[/cyan]')
start_time = time.time() # 添加计时器用于计算速度
processed_count = 0 # 记录已处理的图片数量
with Live(layout, console=console, refresh_per_second=10):
layout["progress"].update(progress)
# 遍历排行榜前10页
for i in range(1, 11, 1):
pixiv.get_top_url(i)
for j in pixiv.get_top_pic():
k = pixiv.get_list(j)
if k:
error_list.append(k)
# 清理下载失败的作品记录
for k in error_list:
pixiv.r.delete(k)
# 更新处理计数和速度
processed_count += 1
elapsed = time.time() - start_time
if elapsed > 0:
speed = processed_count / elapsed
progress.update(pixiv.__class__.main_task_id, speed=format_speed(speed))
# 清理下载失败的作品记录
for k in error_list:
pixiv.r.delete(k)
if __name__ == '__main__':
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')
console.print('[cyan]正在启动Pixiv爬虫...[/cyan]')
console.print('[yellow]确保已安装并启动Redis服务[/yellow]')
console.print('[yellow]确保已准备好有效的Pixiv Cookie[/yellow]')
# 运行主程序
PixivSpider.pixiv_main()
print('爬虫运行完成')
console.print('[green]爬虫运行完成[/green]')
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')
console.print('[red]错误：无法连接到Redis服务，请确保Redis服务正在运行[/red]')
except KeyboardInterrupt:
print('\n用户中断运行')
console.print('\n[yellow]用户中断运行[/yellow]')
except Exception as e:
print(f'发生错误：{str(e)}')
console.print(f'[red]发生错误：{str(e)}[/red]')

3
requirements.txt
View File

@ -1,2 +1,3 @@
redis==5.2.1
requests==2.32.3
requests==2.32.3
rich==13.7.1