python 實(shí)現(xiàn)一個(gè)貼吧圖片爬蟲(chóng)的示例
今天沒(méi)事回家寫(xiě)了個(gè)貼吧圖片下載程序,工具用的是PyCharm,這個(gè)工具很實(shí)用,開(kāi)始用的Eclipse,但是再使用類(lèi)庫(kù)或者其它方便并不實(shí)用,所以最后下了個(gè)專(zhuān)業(yè)開(kāi)發(fā)python程序的工具,開(kāi)發(fā)環(huán)境是Python2,因?yàn)榇髮W(xué)時(shí)自學(xué)的是python2
第一步:就是打開(kāi)cmd命令,輸入pip install lxml
如圖

第二步:下載一個(gè)chrome插件:專(zhuān)門(mén)用來(lái)將html文件轉(zhuǎn)為xml用xpth技術(shù)定位

在頁(yè)面按下Ctrl+Shift+X即可打開(kāi)插件進(jìn)行頁(yè)面分析
如下圖

圖中的黑色方框左邊填寫(xiě)xpth,右邊會(huì)返回對(duì)應(yīng)的結(jié)果,可以看到當(dāng)前頁(yè)面的帖子全部抓取到了。xpth具體怎么寫(xiě)要根據(jù)右邊的檢查元素來(lái)具體分析,尋找規(guī)律,每個(gè)網(wǎng)站的方式不一樣,但是細(xì)心尋找可以找到相同的規(guī)律。
找到規(guī)律并能匹配上開(kāi)始寫(xiě)代碼了:go
至于代碼我對(duì)于每行盡量標(biāo)上注釋?zhuān)奖愦蠹依斫?/strong>
# -*- coding:utf-8 -*-
import urllib
import urllib2
from lxml import etree
def loadPage(url):
"""
作用:根據(jù)url發(fā)送請(qǐng)求,獲取服務(wù)器響應(yīng)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(gè)帖子的鏈接
#print link
loadImage(fulllink)
# 取出每個(gè)帖子里的每個(gè)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(fā)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(gè)圖片的連接
for link in link_list:
print link
writeImage(link)
def writeImage(link):
"""
作用:將html內(nèi)容寫(xiě)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(xiě)入
request = urllib2.Request(link, headers = headers)
# 圖片原始數(shù)據(jù)
image = urllib2.urlopen(request).read()
# 取出連接后10位做為文件名
filename = link[-10:]
# 寫(xiě)入到本地磁盤(pán)文件內(nèi)
with open("d:\image\\"+filename, "wb") as f:
f.write(image)
print "已經(jīng)成功下載 "+ filename
def tiebaSpider(url, beginPage, endPage):
"""
作用:貼吧爬蟲(chóng)調(diào)度器,負(fù)責(zé)組合處理每個(gè)頁(yè)面的url
url : 貼吧url的前部分
beginPage : 起始頁(yè)
endPage : 結(jié)束頁(yè)
"""
for page in range(beginPage, endPage + 1):
pn = (page - 1) * 50
filename = "第" + str(page) + "頁(yè).html"
fullurl = url + "&pn=" + str(pn)
print fullurl
loadPage(fullurl)
#print html
print "謝謝使用"
if __name__ == "__main__":
kw = raw_input("請(qǐng)輸入需要爬取的貼吧名:")
beginPage = int(raw_input("請(qǐng)輸入起始頁(yè):"))
endPage = int(raw_input("請(qǐng)輸入結(jié)束頁(yè):"))
url = "http://tieba.baidu.com/f?"
key = urllib.urlencode({"kw": kw})
fullurl = url + key
tiebaSpider(fullurl, beginPage, endPage)
運(yùn)行:


可以看到程序成功運(yùn)行了,當(dāng)然我自己的過(guò)程并不是一帆風(fēng)順,代碼僅供參考

以上這篇python 實(shí)現(xiàn)一個(gè)貼吧圖片爬蟲(chóng)的示例就是小編分享給大家的全部?jī)?nèi)容了,希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。
- Python爬蟲(chóng)實(shí)現(xiàn)百度圖片自動(dòng)下載
- Python爬蟲(chóng)爬取一個(gè)網(wǎng)頁(yè)上的圖片地址實(shí)例代碼
- Python之多線程爬蟲(chóng)抓取網(wǎng)頁(yè)圖片的示例代碼
- python爬蟲(chóng)獲取京東手機(jī)圖片的圖文教程
- Python制作豆瓣圖片的爬蟲(chóng)
- Python爬蟲(chóng)實(shí)現(xiàn)爬取京東手機(jī)頁(yè)面的圖片(實(shí)例代碼)
- Python中Scrapy爬蟲(chóng)圖片處理詳解
- python爬蟲(chóng)系列Selenium定向爬取虎撲籃球圖片詳解
- Python 3實(shí)戰(zhàn)爬蟲(chóng)之爬取京東圖書(shū)的圖片詳解
- python爬蟲(chóng)爬取某站上海租房圖片
相關(guān)文章
Python編程源碼報(bào)錯(cuò)解決方法總結(jié)經(jīng)驗(yàn)分享
這篇文章主要介紹了在平時(shí)Python編程工作中一些源碼報(bào)錯(cuò)的解決方法總結(jié)經(jīng)驗(yàn)分享,有需要的朋友可以借鑒參考下,希望能夠有所幫助2021-10-10
python密碼學(xué)簡(jiǎn)單替代密碼解密及測(cè)試教程
這篇文章主要介紹了python密碼學(xué)簡(jiǎn)單替代密碼解密及測(cè)試教程,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2022-05-05
python接口自動(dòng)化測(cè)試數(shù)據(jù)和代碼分離解析
代碼的可維護(hù)性除了代碼冗余之外還有就是數(shù)據(jù)盡量不要和代碼摻雜在一起,因?yàn)殚喿x起來(lái)會(huì)非常的凌亂;數(shù)據(jù)分離能更好的增加代碼可讀性和可維護(hù)性,也能更好的二次修改使用2021-09-09
Python變量及數(shù)據(jù)類(lèi)型用法原理匯總
這篇文章主要介紹了Python變量及數(shù)據(jù)類(lèi)型用法原理匯總,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)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,需要的朋友可以參考下2020-08-08
python的tkinter布局之簡(jiǎn)單的聊天窗口實(shí)現(xiàn)方法
這篇文章主要介紹了python的tkinter布局之簡(jiǎn)單的聊天窗口實(shí)現(xiàn)方法,對(duì)于tkinter用法做了初步的介紹與應(yīng)用展示,需要的朋友可以參考下2014-09-09
Python selenium的這三種等待方式一定要會(huì)!
今天給大家?guī)?lái)的是關(guān)于Python的相關(guān)知識(shí),文章圍繞著selenium三種等待方式展開(kāi),文中有非常詳細(xì)的介紹,需要的朋友可以參考下2021-06-06

