python 實現一個貼吧圖片爬蟲的示例

2020-01-04 16:35:02

字體：大中小

來源：轉載

供稿：網友

今天沒事回家寫了個貼吧圖片下載程序，工具用的是PyCharm，這個工具很實用，開始用的Eclipse，但是再使用類庫或者其它方便并不實用，所以最后下了個專業開發python程序的工具，開發環境是Python2，因為大學時自學的是python2

第一步：就是打開cmd命令，輸入pip install lxml

如圖

python,圖片,爬蟲

第二步：下載一個chrome插件：專門用來將html文件轉為xml用xpth技術定位

python,圖片,爬蟲

在頁面按下Ctrl+Shift+X即可打開插件進行頁面分析

如下圖

python,圖片,爬蟲

圖中的黑色方框左邊填寫xpth，右邊會返回對應的結果，可以看到當前頁面的帖子全部抓取到了。xpth具體怎么寫要根據右邊的檢查元素來具體分析，尋找規律，每個網站的方式不一樣，但是細心尋找可以找到相同的規律。

找到規律并能匹配上開始寫代碼了：go

至于代碼我對于每行盡量標上注釋，方便大家理解

# -*- coding:utf-8 -*-import urllibimport urllib2from lxml import etreedef loadPage(url): """  作用：根據url發送請求，獲取服務器響應文件  url: 需要爬取的url地址 """ #print url #美女 # headers = {"User-Agent" : "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"} request = urllib2.Request(url) html = urllib2.urlopen(request).read() # 解析HTML文檔為HTML DOM模型 content = etree.HTML(html) #print content # 返回所有匹配成功的列表集合 link_list = content.xpath('//div[@class="t_con cleafix"]/div/div/div/a/@href') #link_list = content.xpath('//a[@class="j_th_tit"]/@href') for link in link_list:  fulllink = "http://tieba.baidu.com" + link  # 組合為每個帖子的鏈接  #print link  loadImage(fulllink)# 取出每個帖子里的每個圖片連接def loadImage(link): headers = {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"} request = urllib2.Request(link, headers = headers) html = urllib2.urlopen(request).read() # 解析 content = etree.HTML(html) # 取出帖子里每層層主發送的圖片連接集合 #link_list = content.xpath('//img[@class="BDE_Image"]/@src') #link_list = content.xpath('//div[@class="post_bubble_middle"]') link_list = content.xpath('//img[@class="BDE_Image"]/@src') # 取出每個圖片的連接 for link in link_list:  print link  writeImage(link)def writeImage(link): """  作用：將html內容寫入到本地  link：圖片連接 """ #print "正在保存 " + filename headers = {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"} # 文件寫入 request = urllib2.Request(link, headers = headers) # 圖片原始數據 image = urllib2.urlopen(request).read() # 取出連接后10位做為文件名 filename = link[-10:] # 寫入到本地磁盤文件內 with open("d:/image//"+filename, "wb") as f:  f.write(image) print "已經成功下載 "+ filenamedef tiebaSpider(url, beginPage, endPage): """  作用：貼吧爬蟲調度器，負責組合處理每個頁面的url  url : 貼吧url的前部分  beginPage : 起始頁  endPage : 結束頁 """ for page in range(beginPage, endPage + 1):  pn = (page - 1) * 50  filename = "第" + str(page) + "頁.html"  fullurl = url + "&pn=" + str(pn)  print fullurl  loadPage(fullurl)  #print html  print "謝謝使用"if __name__ == "__main__": kw = raw_input("請輸入需要爬取的貼吧名:") beginPage = int(raw_input("請輸入起始頁：")) endPage = int(raw_input("請輸入結束頁：")) url = "http://tieba.baidu.com/f?" key = urllib.urlencode({"kw": kw}) fullurl = url + key tiebaSpider(fullurl, beginPage, endPage)

運行：

python,圖片,爬蟲