Python爬虫之爬取淘女郎照片示例详解

这篇文章主要介绍了Python爬虫之爬取淘女郎照片示例详解，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

 

本篇目标

  1. 抓取淘宝MM的姓名，头像，年龄

  2. 抓取每一个MM的资料简介以及写真图片

  3. 把每一个MM的写真图片按照文件夹保存到本地

  4. 熟悉文件保存的过程 

1.URL的格式

在这里我们用到的URL是 http://mm.taobao.com/json/request_top_list.htm?page=1，问号前面是基地址，后面的参数page是代表第几页，可以随意更换地址。点击开之后，会发现有一些淘宝MM的简介，并附有超链接链接到个人详情页面。

我们需要抓取本页面的头像地址，MM姓名，MM年龄，MM居住地，以及MM的个人详情页面地址。

2.抓取简要信息

相信大家经过上几次的实战，对抓取和提取页面的地址已经非常熟悉了，这里没有什么难度了，我们首先抓取本页面的MM详情页面地址，姓名，年龄等等的信息打印出来，直接贴代码如下

  1. import urllib

  2. import urllib2

  3. import re

  4.  

  5. class Spider:

  6.  

  7. def __init__(self):

  8. self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'

  9.  

  10. def getPage(self,pageIndex):

  11. url = self.siteURL + "?page=" + str(pageIndex)

  12. print url

  13. request = urllib2.Request(url)

  14. response = urllib2.urlopen(request)

  15. return response.read().decode('gbk')

  16.  

  17. def getContents(self,pageIndex):

  18. page = self.getPage(pageIndex)

  19. pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)" rel="external nofollow" rel="external nofollow" .*?![]((.*?))(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)

  20. items = re.findall(pattern,page)

  21. for item in items:

  22. print item[0],item[1],item[2],item[3],item[4]

  23.  

  24. spider = Spider()

  25. spider.getContents(1)

运行结果如下、

3.文件写入简介

在这里，我们有写入图片和写入文本两种方式

1）写入图片

  1. #传入图片地址，文件名，保存单张图片

  2. def saveImg(self,imageURL,fileName):

  3. u = urllib.urlopen(imageURL)

  4. data = u.read()

  5. f = open(fileName, 'wb')

  6. f.write(data)

  7. f.close()

2）写入文本

  1. def saveBrief(self,content,name):

  2. fileName = name + "/" + name + ".txt"

  3. f = open(fileName,"w+")

  4. print u"正在偷偷保存她的个人信息为",fileName

  5. f.write(content.encode('utf-8'))

3）创建新目录

  1. #创建新目录

  2. def mkdir(self,path):

  3. path = path.strip()

  4. # 判断路径是否存在

  5. # 存在 True

  6. # 不存在 False

  7. isExists=os.path.exists(path)

  8. # 判断结果

  9. if not isExists:

  10. # 如果不存在则创建目录

  11. # 创建目录操作函数

  12. os.makedirs(path)

  13. return True

  14. else:

  15. # 如果目录存在则不创建，并提示目录已存在

  16. return False

4.代码完善

主要的知识点已经在前面都涉及到了，如果大家前面的章节都已经看了，完成这个爬虫不在话下，具体的详情在此不再赘述，直接帖代码啦。

spider.py

  1. import urllib

  2. import urllib2

  3. import re

  4. import tool

  5. import os

  6.  

  7. #抓取MM

  8. class Spider:

  9.  

  10. #页面初始化

  11. def __init__(self):

  12. self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'

  13. self.tool = tool.Tool()

  14.  

  15. #获取索引页面的内容

  16. def getPage(self,pageIndex):

  17. url = self.siteURL + "?page=" + str(pageIndex)

  18. request = urllib2.Request(url)

  19. response = urllib2.urlopen(request)

  20. return response.read().decode('gbk')

  21.  

  22. #获取索引界面所有MM的信息，list格式

  23. def getContents(self,pageIndex):

  24. page = self.getPage(pageIndex)

  25. pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)" rel="external nofollow" rel="external nofollow" .*?![]((.*?))(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)

  26. items = re.findall(pattern,page)

  27. contents = []

  28. for item in items:

  29. contents.append([item[0],item[1],item[2],item[3],item[4]])

  30. return contents

  31.  

  32. #获取MM个人详情页面

  33. def getDetailPage(self,infoURL):

  34. response = urllib2.urlopen(infoURL)

  35. return response.read().decode('gbk')

  36.  

  37. #获取个人文字简介

  38. def getBrief(self,page):

  39. pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)

  40. result = re.search(pattern,page)

  41. return self.tool.replace(result.group(1))

  42.  

  43. #获取页面所有图片

  44. def getAllImg(self,page):

  45. pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)

  46. #个人信息页面所有代码

  47. content = re.search(pattern,page)

  48. #从代码中提取图片

  49. patternImg = re.compile('<img.*?src="(.*?)"',re.S)

  50. images = re.findall(patternImg,content.group(1))

  51. return images

  52.  

  53.  

  54. #保存多张写真图片

  55. def saveImgs(self,images,name):

  56. number = 1

  57. print u"发现",name,u"共有",len(images),u"张照片"

  58. for imageURL in images:

  59. splitPath = imageURL.split('.')

  60. fTail = splitPath.pop()

  61. if len(fTail) > 3:

  62. fTail = "jpg"

  63. fileName = name + "/" + str(number) + "." + fTail

  64. self.saveImg(imageURL,fileName)

  65. number += 1

  66.  

  67. # 保存头像

  68. def saveIcon(self,iconURL,name):

  69. splitPath = iconURL.split('.')

  70. fTail = splitPath.pop()

  71. fileName = name + "/icon." + fTail

  72. self.saveImg(iconURL,fileName)

  73.  

  74. #保存个人简介

  75. def saveBrief(self,content,name):

  76. fileName = name + "/" + name + ".txt"

  77. f = open(fileName,"w+")

  78. print u"正在偷偷保存她的个人信息为",fileName

  79. f.write(content.encode('utf-8'))

  80.  

  81.  

  82. #传入图片地址，文件名，保存单张图片

  83. def saveImg(self,imageURL,fileName):

  84. u = urllib.urlopen(imageURL)

  85. data = u.read()

  86. f = open(fileName, 'wb')

  87. f.write(data)

  88. print u"正在悄悄保存她的一张图片为",fileName

  89. f.close()

  90.  

  91. #创建新目录

  92. def mkdir(self,path):

  93. path = path.strip()

  94. # 判断路径是否存在

  95. # 存在 True

  96. # 不存在 False

  97. isExists=os.path.exists(path)

  98. # 判断结果

  99. if not isExists:

  100. # 如果不存在则创建目录

  101. print u"偷偷新建了名字叫做",path,u'的文件夹'

  102. # 创建目录操作函数

  103. os.makedirs(path)

  104. return True

  105. else:

  106. # 如果目录存在则不创建，并提示目录已存在

  107. print u"名为",path,'的文件夹已经创建成功'

  108. return False

  109.  

  110. #将一页淘宝MM的信息保存起来

  111. def savePageInfo(self,pageIndex):

  112. #获取第一页淘宝MM列表

  113. contents = self.getContents(pageIndex)

  114. for item in contents:

  115. #item[0]个人详情URL,item[1]头像URL,item[2]姓名,item[3]年龄,item[4]居住地

  116. print u"发现一位模特,名字叫",item[2],u"芳龄",item[3],u",她在",item[4]

  117. print u"正在偷偷地保存",item[2],"的信息"

  118. print u"又意外地发现她的个人地址是",item[0]

  119. #个人详情页面的URL

  120. detailURL = item[0]

  121. #得到个人详情页面代码

  122. detailPage = self.getDetailPage(detailURL)

  123. #获取个人简介

  124. brief = self.getBrief(detailPage)

  125. #获取所有图片列表

  126. images = self.getAllImg(detailPage)

  127. self.mkdir(item[2])

  128. #保存个人简介

  129. self.saveBrief(brief,item[2])

  130. #保存头像

  131. self.saveIcon(item[1],item[2])

  132. #保存图片

  133. self.saveImgs(images,item[2])

  134.  

  135. #传入起止页码，获取MM图片

  136. def savePagesInfo(self,start,end):

  137. for i in range(start,end+1):

  138. print u"正在偷偷寻找第",i,u"个地方，看看MM们在不在"

  139. self.savePageInfo(i)

  140.  

  141.  

  142. #传入起止页码即可，在此传入了2,10,表示抓取第2到10页的MM

  143. spider = Spider()

  144. spider.savePagesInfo(2,10)

tool.py

  1. import re

  2.  

  3. #处理页面标签类

  4. class Tool:

  5. #去除img标签,1-7位空格,

  6. removeImg = re.compile('<img.*?>| {1,7}| ')

  7. #删除超链接标签

  8. removeAddr = re.compile('<a.*?>|</a>')

  9. #把换行的标签换为\n

  10. replaceLine = re.compile('<tr>|<div>|</div>|</p>')

  11. #将表格制表<td>替换为\t

  12. replaceTD= re.compile('<td>')

  13. #将换行符或双换行符替换为\n

  14. replaceBR = re.compile('<br><br>|<br>')

  15. #将其余标签剔除

  16. removeExtraTag = re.compile('<.*?>')

  17. #将多行空行删除

  18. removeNoneLine = re.compile('\n+')

  19. def replace(self,x):

  20. x = re.sub(self.removeImg,"",x)

  21. x = re.sub(self.removeAddr,"",x)

  22. x = re.sub(self.replaceLine,"\n",x)

  23. x = re.sub(self.replaceTD,"\t",x)

  24. x = re.sub(self.replaceBR,"\n",x)

  25. x = re.sub(self.removeExtraTag,"",x)

  26. x = re.sub(self.removeNoneLine,"\n",x)

  27. #strip()将前后多余内容删除

  28. return x.strip()

以上两个文件就是所有的代码内容，运行一下试试看，那叫一个酸爽啊

到此这篇关于Python爬虫之爬取淘女郎照片示例详解的文章就介绍到这了

 

学习资料可以在这里参考学习

 

　　从爬虫到反爬，大咖带你制作翻译神器!

http://www.makeru.com.cn/live/5020_2328.html?s=45051

Python入门系列教程
http://www.makeru.com.cn/course/details/1804.html?s=45051

Python爬虫之万能抓取方式selenium
http://www.makeru.com.cn/live/5020_1766.html?s=45051

爬取豆瓣高分电影
http://www.makeru.com.cn/live/5020_2070.html?s=45051

posted @ 2020-11-30 16:52  国产零零柒  阅读(250)  评论(0)  编辑  收藏  举报