作為一個新世紀有思想有文化有道德時刻準備著的屌絲男青年，在現在這樣一個社會中，心疼我大慢播抵制大百度的前提下，沒事兒上上網逛逛YY看看斗魚翻翻美女圖片那是必不可少的，可是美圖雖多翻頁費勁！今天我們就搞個爬蟲把美圖都給扒下來！本次實例有2個：煎蛋上的妹子圖，某網站的rosi圖。我只是一個學習python的菜鳥，技術不可恥，技術是無罪的！！！
煎蛋：
先說說程序的流程：獲取煎蛋妹子圖URL，得到網頁代碼，提取妹子圖片地址，訪問圖片地址并將圖片保存到本地。Ready？ 先讓我們看看煎蛋妹子網頁：
我們得到URL為：http://jandan.net/ooxx/page-1764#comments 1764就是頁碼， 首先我們要得到最新的頁碼，然后向前尋找，然后得到每頁中圖片的url。下面我們分析網站代碼寫出正則表達式！
根據之前文章的方法我們寫出如下函數getNewPage：
def __getNewPage(self): pageCode = self.Get(self.__Url) type = sys.getfilesystemencoding() pattern = re.compile(r'<div .*?cp-pagenavi">.*?<span .*?current-comment-page">/[(.*?)/]</span>',re.S) newPage = re.search(pattern,pageCode.decode("UTF-8").encode(type)) print pageCode.decode("UTF-8").encode(type) if newPage != None: return newPage.group(1) return 1500
不要問我為什么如果失敗返回1500。。。 因為煎蛋把1500頁之前的圖片都給吃了。 你也可以返回0。接下來是圖片的
def __getAllPicUrl(self,pageIndex): realurl = self.__Url + "page-" + str(pageIndex) + "#comments" pageCode = self.Get(realurl) type = sys.getfilesystemencoding() pattern = re.compile('<p>.*?<a .*?view_img_link">.*?</a>.*?<img src="(.*?)".*?</p>',re.S) items = re.findall(pattern,pageCode.decode("UTF-8").encode(type)) for item in items: print item好了，得到了圖片地址，接下來就是訪問圖片地址然后保存圖片了：
def __savePics(self,img_addr,folder): for item in img_addr: filename = item.split('/')[-1] print "正在保存圖片：" + filename with open(filename,'wb') as file: img = self.Get(item) file.write(img)當你覺得信心滿滿的時候，一定會有一盆冷水澆到你的頭上，畢竟程序就是這樣，考驗你的耐性，打磨你的自信。你測試了一會兒，然后你發現你重啟程序后再也無法獲取最新頁碼，你覺得我什么也沒動啊為什么會這樣。別著急，我們將得到的網頁代碼打印出來看看：
看到了吧，是服務器感覺你不像瀏覽器訪問的結果把你的ip給屏蔽了。 真是給跪了，辛辛苦苦碼一年，屏蔽回到解放前！那么這個如何解決呢，答：換ip 找代理。接下來我們要改一下我們的HttpClient.py 將里面的opener設置下代理服務器。具體代理服務器請自行百度之，關鍵字：http代理 。 想找到一個合適的代理也不容易 自己ie Internet選項挨個試試，測試下網速。
# -*- coding: utf-8 -*-import cookielib, urllib, urllib2, socketimport zlib,StringIOclass HttpClient: __cookie = cookielib.CookieJar() __proxy_handler = urllib2.ProxyHandler({"http" : '42.121.6.80:8080'})#設置代理服務器與端口 __req = urllib2.build_opener(urllib2.HTTPCookieProcessor(__cookie),__proxy_handler)#生成opener __req.addheaders = [ ('Accept', 'application/javascript, */*;q=0.8'), ('User-Agent', 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)') ] urllib2.install_opener(__req) def Get(self, url, refer=None): try: req = urllib2.Request(url) #req.add_header('Accept-encoding', 'gzip') if not (refer is None): req.add_header('Referer', refer) response = urllib2.urlopen(req, timeout=120) html = response.read() #gzipped = response.headers.get('Content-Encoding') #if gzipped: # html = zlib.decompress(html, 16+zlib.MAX_WBITS) return html except urllib2.HTTPError, e: return e.read() except socket.timeout, e: return '' except socket.error, e: return ''然后，就可以非常愉快的查看圖片了。不過用了代理速度好慢。。。可以設置timeout稍微長一點兒，防止圖片下載不下來！
好了，rosi的下篇文章再放！現在是時候上一波代碼了：
# -*- coding: utf-8 -*-import cookielib, urllib, urllib2, socketimport zlib,StringIOclass HttpClient: __cookie = cookielib.CookieJar() __proxy_handler = urllib2.ProxyHandler({"http" : '42.121.6.80:8080'}) __req = urllib2.build_opener(urllib2.HTTPCookieProcessor(__cookie),__proxy_handler) __req.addheaders = [ ('Accept', 'application/javascript, */*;q=0.8'), ('User-Agent', 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)') ] urllib2.install_opener(__req) def Get(self, url, refer=None): try: req = urllib2.Request(url) req.add_header('Accept-encoding', 'gzip') if not (refer is None): req.add_header('Referer', refer) response = urllib2.urlopen(req, timeout=120) html = response.read() gzipped = response.headers.get('Content-Encoding') if gzipped: html = zlib.decompress(html, 16+zlib.MAX_WBITS) return html except urllib2.HTTPError, e: return e.read() except socket.timeout, e: return '' except socket.error, e: return '' def Post(self, url, data, refer=None): try: #req = urllib2.Request(url, urllib.urlencode(data)) req = urllib2.Request(url,data) if not (refer is None): req.add_header('Referer', refer) return urllib2.urlopen(req, timeout=120).read() except urllib2.HTTPError, e: return e.read() except socket.timeout, e: return '' except socket.error, e: return '' def Download(self, url, file): output = open(file, 'wb') output.write(urllib2.urlopen(url).read()) output.close()# def urlencode(self, data):# return urllib.quote(data) def getCookie(self, key): for c in self.__cookie: if c.name == key: return c.value return '' def setCookie(self, key, val, domain): ck = cookielib.Cookie(version=0, name=key, value=val, port=None, port_specified=False, domain=domain, domain_specified=False, domain_initial_dot=False, path='/', path_specified=True, secure=False, expires=None, discard=True, comment=None, comment_url=None, rest={'HttpOnly': None}, rfc2109=False) self.__cookie.set_cookie(ck)#self.__cookie.clear() clean cookie# vim : tabstop=2 shiftwidth=2 softtabstop=2 expandtabHttpClient# -*- coding: utf-8 -*-from __future__ import unicode_literalsfrom HttpClient import HttpClientimport sys,re,osclass JianDan(HttpClient): def __init__(self): self.__pageIndex = 1500 #之前的圖片被煎蛋吞了 self.__Url = "http://jandan.net/ooxx/" self.__floder = "jiandan" def __getAllPicUrl(self,pageIndex): realurl = self.__Url + "page-" + str(pageIndex) + "#comments" pageCode = self.Get(realurl) type = sys.getfilesystemencoding() pattern = re.compile('<p>.*?<a .*?view_img_link">.*?</a>.*?<img src="(.*?)".*?</p>',re.S) items = re.findall(pattern,pageCode.decode("UTF-8").encode(type)) for item in items: print item self.__savePics(items,self.__floder) def __savePics(self,img_addr,folder): for item in img_addr: filename = item.split('/')[-1] print "正在保存圖片：" + filename with open(filename,'wb') as file: img = self.Get(item) file.write(img) def __getNewPage(self): pageCode = self.Get(self.__Url) type = sys.getfilesystemencoding() pattern = re.compile(r'<div .*?cp-pagenavi">.*?<span .*?current-comment-page">/[(.*?)/]</span>',re.S) newPage = re.search(pattern,pageCode.decode("UTF-8").encode(type)) print pageCode.decode("UTF-8").encode(type) if newPage != None: return newPage.group(1) return 1500 def start(self): isExists=os.path.exists(self.__floder)#檢測是否存在目錄 print isExists if not isExists: os.mkdir(self.__floder) os.chdir(self.__floder) page = int(self.__getNewPage()) for i in range(self.__pageIndex,page): self.__getAllPicUrl(i)if __name__ == '__main__': jd = JianDan() jd.start()JianDan新聞熱點
疑難解答
