python爬虫之初体验
上网简单看了几篇博客
自己试了试简单的爬虫
哎呦喂
很有感觉
蛮好玩的
之前写博客 有点感觉是在写教程啊什么的
写的很别扭
各种复制粘贴
写得很不舒服
以后还是怎么舒服怎么写
把每天的练习
所得
写上来就好了
本来就是个菜鸟
不断学习
不断debug就好
直接上程序：
1 # -*- coding: utf-8 -*- 2 import urllib2 3 import urllib 4 import re 5 6 7 #正则表达式 8 pat = re.compile('img.*?id="bigImg".*?src="(.*?)"') 9 patnext = re.compile('nextPic.*?"(.*?)",') 10 pattotal = re.compile('picTotal.*?(\d*),') 11 patnum = re.compile('picNum.*?(\d*),') 12 patnextgroup = re.compile('nextGroup.*?"(.*?)",') 13 14 #URL 15 nexturl = "http://desk.zol.com.cn" 16 SerialNumber = ["/bizhi/6195_76529_2.html"] 17 nexturl1 = nexturl + SerialNumber[0] 18 19 20 21 #header 22 def s(nexturl2): 23 myurl = nexturl2 24 user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' 25 values = {'username' : 'cqc', 'password' : 'XXXX' } 26 headers = { 'User-Agent' : user_agent } 27 data = urllib.urlencode(values) 28 request = urllib2.Request(myurl, data, headers) 29 myres = urllib2.urlopen(request) 30 return myres 31 32 myres = s(nexturl1) 33 mypage = myres.read() 34 ucpage = mypage.decode("gbk") #ytf-8 35 36 37 total = pattotal.findall(ucpage) #当前组图总图数 38 num = patnum.findall(ucpage) #当前编号 39 40 41 print u"num:" 42 max = raw_input(">>>") 43 44 picnum = 1 45 46 while int(picnum) <= int(max): 47 48 49 if int(total[0]) == int(num[0]): #检测是否抓取完当前组图 50 SerialNumber = patnextgroup.findall(ucpage) 51 nexturl1 = nexturl + SerialNumber[0] 52 53 myres = s(nexturl1) 54 55 mypage = myres.read() 56 ucpage = mypage.decode("gbk") #ytf-8 57 SerialNumber = patnext.findall(ucpage) 58 59 total = pattotal.findall(ucpage) 60 num = patnum.findall(ucpage) 61 62 mat = pat.findall(ucpage) 63 64 if len(mat) : 65 print "Pic " + str(picnum) + " : Url: " + mat[0] + "\n" 66 67 fnp = re.compile('(\w{6}\.\w+)$') 68 fnr = fnp.findall(mat[0]) 69 if fnr: 70 fname = fnr[0] #下载给的文件名 71 urllib.urlretrieve(mat[0], fname) #下载 72 picnum+=1 73 74 else: 75 print "no data" 76 77 print u"\n\tDone"
程序抓取的是 http://desk.zol.com.cn/bizhi/6262_77251_2.html 的图片
抓取完一张
就申请进入下一页继续抓取
运行结果：
收获：
1.html js 不熟悉
2.可以通过找URL直接的规律 找下一页的URL
3.查了些资料 发现很多东西都可以学 html js beautiful soup等
4.还没习惯用try 语句
5.多练多学多问
6，urllib.urlretrieve（） mypage.decode("gbk")
遇到的困难：
1.一开始不知道下一页的链接在哪 找了很久才找到 但方法不对 不知道有什么好的方法 一个原因是不了解 html js
2.一开始不知道怎么“变”到下一页，所以还想着通过pymouse控制鼠标。。。。。。结果鼠标不受控制 暴力重启。。。
3.运行的时候会跳出这个问题：IOError: [Errno socket error] [Errno 10060]，为什么呢？还需要设置什么？求大神帮忙解决
