前言

最近工作中遇到一個(gè)需求，需要將京東上圖書的圖片下載下來，假如我們想把京東商城圖書類的圖片類商品圖片全部下載到本地，通過手工復(fù)制粘貼將是一項(xiàng)非常龐大的工程，此時(shí)，可以用Python網(wǎng)絡(luò)爬蟲實(shí)現(xiàn)，這類爬蟲稱為圖片爬蟲，接下來，我們將實(shí)現(xiàn)該爬蟲。

實(shí)現(xiàn)分析

首先，打開要爬取的第一個(gè)網(wǎng)頁，這個(gè)網(wǎng)頁將作為要爬取的起始頁面。我們打開京東，選擇圖書分類，由于圖書所有種類的圖書有很多，我們選擇爬取所有編程語言的圖書圖片吧，網(wǎng)址為：https://list.jd.com/list.html?cat=1713,3287,3797&page=1&sort=sort_rank_asc&trans=1&JL=6_0_0#J_main

如圖：

進(jìn)去后，我們會發(fā)現(xiàn)總共有251頁。

那么我們怎么才能自動爬取第一頁以外的其他頁面呢？

可以單擊“下一頁”，觀察網(wǎng)址的變化。在單擊了下一頁之后，發(fā)現(xiàn)網(wǎng)址變成了https://list.jd.com/list.html?cat=1713,3287,3797&page=2&sort=sort_rank_asc&trans=1&JL=6_0_0#J_main。

我們可以發(fā)現(xiàn)，在這里要獲取第幾頁是通過URL網(wǎng)址識別的，即通過GET方式請求的。在這個(gè)GET請求中，有多個(gè)字段，其中有一個(gè)字段為page，對應(yīng)值為2，由此，我們可以得到該網(wǎng)址中的關(guān)鍵信息為：https://list.jd.com/list.html?cat=1713,3287,3797&page=2。接下來，我們根據(jù)推測，將page=2改成page=6，發(fā)現(xiàn)我們能夠成功進(jìn)入第6頁。

由此，我們可以想到自動獲取多個(gè)頁面的方法：可以使用for循環(huán)實(shí)現(xiàn)，每次循環(huán)后，對應(yīng)的網(wǎng)址中page字段加1，即自動切換到下一頁。

在每頁中，我們都要提取對應(yīng)的圖片，可以使用正則表達(dá)式匹配源碼中圖片的鏈接部分，然后通過urllib.request.urlretrieve()將對應(yīng)鏈接的圖片保存到本地。

但是這里有一個(gè)問題，該網(wǎng)頁中的圖片不僅包括列表中的商品圖片，還包括旁邊的一些無關(guān)圖片，所以我們可以先進(jìn)行一次信息過濾，第一次信息過濾將中間的商品列表部分?jǐn)?shù)據(jù)留下，將其他部分的數(shù)據(jù)過濾掉?？梢詥螕粲益I，然后查看網(wǎng)頁的源代碼，如圖：

可以通過商品列表中的第一個(gè)商品名為“JAVA從入門到精通”快速定位到源碼中的對應(yīng)位置，然后觀察其商品列表部分的特殊標(biāo)識，可以看到，其上方有處“<div id="plist”代碼，然后我們在源碼中搜索該代碼，發(fā)現(xiàn)只有一個(gè)地方有，隨后打開其他頁的對應(yīng)頁面，發(fā)現(xiàn)仍然具有這個(gè)規(guī)律，說明該特殊標(biāo)識可以作為有效信息的起始過濾位置。當(dāng)然，你可以使用其他的代碼作為特殊標(biāo)識，但是該特殊標(biāo)識要滿足唯一性，并且要包含要爬取的信息。

那么，有效信息到什么代碼位置結(jié)束呢？

同樣，我們通過在源碼中查找該頁商品列表中最后一個(gè)圖書，快速定位到源碼位置，進(jìn)行分析，我們可以找到一個(gè)這樣的代碼作為標(biāo)識，如圖：

所以，如果要進(jìn)行第一次過濾，我們的正則表達(dá)式可以構(gòu)造為：

<div id="plist".+? <div class="page clearfix">

進(jìn)行了第一次信息過濾后，留下來的圖片鏈接就是我們想爬取的圖片了，下一步需要在第一次過濾的基礎(chǔ)上，再將圖片鏈接信息過濾出來。

此時(shí)，需要觀察網(wǎng)頁中對應(yīng)圖片的源代碼，我們觀察到其中兩張圖片的對應(yīng)源碼：

圖片1：

 <img width="200" height="200" data-img="1" src="http://img13.360buyimg.com/n7/jfs/t6130/167/771989293/235186/608d0264/592bf167Naf49f7f6.jpg">

圖片2：

<img width="200" height="200" data-img="1" src="http://img10.360buyimg.com/n7/g14/M03/0E/0D/rBEhV1Im1n8IAAAAAAcHltD_3_8AAC0FgC-1WoABweu831.jpg">

對比兩張圖片代碼，發(fā)現(xiàn)其基本格式是一樣的，只是圖片的鏈接網(wǎng)址不一樣，所以此時(shí)，我們根據(jù)該規(guī)律構(gòu)造出提取圖片鏈接的正則表達(dá)式：

<img width="200" height="200" data-img="1" src="http://(.+?\.jpg)">

剛開始到這里，我以為就結(jié)束了，后來在爬取的過程中我發(fā)現(xiàn)每一頁都少爬取了很多圖片，再次查看源碼發(fā)現(xiàn)，每頁后面的幾十張圖片又是另一種格式：

<img width="200" height="200" data-img="1" data-lazy-img="http://img10.360buyimg.com/n7/jfs/t3226/230/618950227/110172/7749a8bc/57bb23ebNfe011bfe.jpg">

所以，完整的正則表達(dá)式應(yīng)該是這兩種格式的或：

<img width="200" height="200" data-img="1" src="http://(.+?\.jpg)">|<img width="200" height="200" data-img="1" data-lazy-img="http://(.+?\.jpg)">

到這里，我們根據(jù)該正則表達(dá)式，就可以提取出一個(gè)頁面中所有想要爬取的圖片鏈接。

所以，根據(jù)上面的分析，我們可以得到該爬蟲的編寫思路與過程，具體如下：

• 建立一個(gè)爬取圖片的自定義函數(shù)，該函數(shù)負(fù)責(zé)爬取一個(gè)頁面下的我們想爬取的圖片，爬取過程為：首先通過urllib.request.utlopen(url).read()讀取對應(yīng)網(wǎng)頁的全部源代碼，然后根據(jù)上面的第一個(gè)正則表達(dá)式進(jìn)行第一次信息過濾，過濾完成之后，在第一次過濾結(jié)果的基礎(chǔ)上，根據(jù)上面的第二個(gè)正則表達(dá)式進(jìn)行第二次信息過濾，提取出該網(wǎng)頁上所有的目標(biāo)圖片的鏈接，并將這些鏈接地址存儲的一個(gè)列表中，隨后遍歷該列表，分別將對應(yīng)鏈接通過urllib.request.urlretrieve(imageurl,filename=imagename)存儲到本地，為了避免程序中途異常崩潰，我們可以建立異常處理。
• 通過for循環(huán)將該分類下的所有網(wǎng)頁都爬取一遍，鏈接可以構(gòu)造為url='https://list.jd.com/list.html?cat=1713,3287,3797&page=' + str(i)

完整的代碼如下：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import re
import urllib.request
import urllib.error
import urllib.parse


sum = 0
def craw(url,page):
 html1=urllib.request.urlopen(url).read()
 html1=str(html1)
 pat1=r'<div id="plist".+? <div class="page clearfix">'
 result1=re.compile(pat1).findall(html1)
 result1=result1[0]
 pat2=r'<img width="200" height="200" data-img="1" src="http://(.+?\.jpg)">|<img width="200" height="200" data-img="1" data-lazy-img="http://(.+?\.jpg)">'
 imagelist=re.compile(pat2).findall(result1)
 x=1
 global sum
 for imageurl in imagelist:
  imagename='./books/'+str(page)+':'+str(x)+'.jpg'
  if imageurl[0]!='':
   imageurl='http://'+imageurl[0]
  else:
   imageurl='http://'+imageurl[1]
  print('開始爬取第%d頁第%d張圖片'%(page,x))

  try:
   urllib.request.urlretrieve(imageurl,filename=imagename)
  except urllib.error.URLError as e:
   if hasattr(e,'code') or hasattr(e,'reason'):
    x+=1

  print('成功保存第%d頁第%d張圖片'%(page,x))
  x+=1
  sum+=1

for i in range(1,251):
 url='https://list.jd.com/list.html?cat=1713,3287,3797&page='+str(i)
 craw(url,i)
print('爬取圖片結(jié)束，成功保存%d張圖'%sum)

運(yùn)行結(jié)果如下：

總結(jié)

以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，如果有疑問大家可以留言交流，謝謝大家對腳本之家的支持。

最新評論