爬虫3-python爬取非结构化数据下载到本地
urlretrieve方法
通过上节爬虫2,可以将结构化数据存入mysql等数据库,但脚本中还存在非结构化数据:
# print(content.xpath('//*[@dd_name="大图"]/img/@src').pop()) # 图片
python的urlretrieve方法可实现将远程数据下载本地:
#url 下载链接 #filename 指定保存本地路径文件名 #reporthook 回调函数,默认缺省 #data post到服务器的数据,默认缺省 urlretrieve(url, filename=None, reporthook=None, data=None)
举例
# coding=utf-8 import requests from lxml import etree # 1爬取网页信息 url = 'http://product.dangdang.com/29148702.html' headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) " "Chrome/69.0.3497.81 Safari/537.36 Maxthon/5.3.8.2000 " } aa = requests.get(url, headers=headers) message = aa.content.decode('gbk') content = etree.HTML(message) # message是str格式,需要先转成HTML格式 # 1.2解析图片信息 print(content.xpath('//*[@dd_name="大图"]/img/@src').pop()) # 图片
#运行结果 http://img3m2.ddimg.cn/33/28/29148702-1_w_23.jpg
# 这时用urlretrieve来处理,可以下载到本地当前目录下 url_img=content.xpath('//*[@dd_name="大图"]/img/@src').pop() urllib.request.urlretrieve(url_img,"test_img.jpg")
实践
豆瓣电影爬取页面所有图片,参考该页面:
这里为什么用原网页url不行?
# coding=utf-8 import requests import urllib.request import json # 1爬取网页信息 # 用原网页的url不行,把/explore#! 替换成/j/search_subjects?之后可以 # url = 'https://movie.douban.com/explore#!type=movie&tag=%E6%9C%80%E6%96%B0&page_limit=20&page_start=0' url = 'https://movie.douban.com/j/search_subjects?type=movie&tag=%E6%9C%80%E6%96%B0&page_limit=20&page_start=0' headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) " "Chrome/69.0.3497.81 Safari/537.36 Maxthon/5.3.8.2000 " } aa = requests.get(url, headers=headers) message = aa.content.decode('utf-8') json_content=json.loads(message) # 读取json格式 # print(json_content) 分析json结构 # 2解析json信息,并下载图片 for line in json_content['subjects']: img_address=line['cover'] # 图片 rating=line['rate'] title=line['title'] filename=title+'_'+rating+'.jpg' urllib.request.urlretrieve(img_address, filename) print(filename+'is download.')
![](https://img2020.cnblogs.com/blog/1415420/202012/1415420-20201221200302938-668392460.png)