Python爬虫学习（6）: 爬取MM图片
为了有趣我们今天就主要去爬取以下MM的图片，并将其按名保存在本地。要爬取的网站为： 大秀台模特网
1. 分析网站
进入官网后我们发现有很多分类：
而我们要爬取的模特中的女模内容，点进入之后其网址为： http://www.daxiutai.com/mote/5.html ，这也将是我们爬取的入口点，为了方便，我们只是爬取其推荐的部分的模特的信息和图片。
当我们点击其中的一个人物的时候就会进入他们的个人主页中，里边包括个人的详细信息以及各种图片。模特的详细都将从这里爬取。
上述的个人主页中的模特图片不全，所以模特的图片将从其照片展示网页中爬取，而其照片的展示网页可以通过点击任意主页上的图片进入，如下图所示：
我们要实现的效果就是每个模特一个文件夹，特定模特文件夹下包括一个模特信息说明的txt文档以及其所有爬取到图片
2. 爬取过程
2.1 爬取各个模特的主页地址
在点击女性模特页面中的模特头像的时候就会进入此模特的主页之中，而各个模特的主页中包含模特的主要信息，所以要先在 http://www.daxiutai.com/mote/5.html 中获得每个模特的主页地址。
其最里边的<li>标签中就包含模特的主页地址信息，通过蓝色选中部分中地址就可以获取模特主页地址，但却不是图片的地址，应为其是被重定向过。
In [93]: url_femal = "http://www.daxiutai.com/mote/5.html" In [94]: request = urllib2.Request(url_femal) In [95]: response = urllib2.urlopen(request) In [96]: content = response.read()
#绿色部分就是获取到的地址 In [105]: pattern = re.compile(r"(?:<li\s+class=\"li_01\">).*?<a\s+href=\"(.*?)\".*?>",re.S) In [106]: result = re.findall(pattern,content)
In [107]: result[0]
Out[107]: 'http://www.daxiutai.com/mote_profile/13517.html'
# 总共抓取了60条数据 In [108]: len(result) Out[108]: 60
艾，写网页的那个家伙太懒了没有把女模特和其它的模特区分开来，所以只能把其他的都抓取下来，而且有重复地址，所以还要去重。
# 去除重复
In [110]: result = list(set(result)) In [111]: len(result) Out[111]: 57
因为上述这些抓取到的地址在访问的时候会重定向，所以我们需要一一获取其重定后的地址，这一阶段比较费时间，得等一会儿。
#重定位后的地址放在main_url中
In [124]: main_url = [] # 循环获取重定位后的地址 In [125]: for item in result: ...: res = urllib2.urlopen(item) ...: main_url.append(res.geturl()) ...: print res.geturl()
http://www.daxiutai.com/mote_profile/13523.html http://heijin.daxiutai.com/ http://fuxinyu.daxiutai.com/ http://152nicai.daxiutai.com/ http://lfh0706.daxiutai.com/ http://649629484.daxiutai.com/
........................
上述打印的地址中红色类型的地址不是重定位后的地址，且是不可访问的，如果在浏览器中输入此地址会出现如下反应：
所以这样的地址是需要剔除的，剔除时所依据的特性就是//后边是否接着www。
In [135]: main = [] In [136]: for item in main_url: ...: mat = re.match(".*?www.*?",item) ...: if not mat: ...: main.append(item) # 剔除之后还有55条数据 In [137]: len(main) Out[137]: 55
2.2 爬取模特的个人信息
模特的个人信息显示如图所示：
HTML源码情况为：
粗略提取一个模特的信息：
In [184]: response = urllib2.urlopen(main[10],timeout=5) ...: content = response.read() In [185]: pattern = re.compile(r"<strong>(.*?)</strong>(.+?)<br\s*/>") In [186]: result = re.findall(pattern,content) In [187]: for item in result: ...: print item[0],item[1] 昵称： 我才是宝宝 空间地址： <br /><a href="http://babysix.daxiutai.com/">http://babysix.daxiutai.com/</a> 性别 ：女 出生年月 ：2016-03 籍贯 ：天津市 天津市 身高 ：166cm 体重 ：45kg 三围 ：82 63 88 鞋码 ：38 肤色 ：黄色 头发颜色 ：黑 婚姻状况 ：未婚 是否有纹身 ：无 纹身何处 ： 是否可以拍内衣广告 ：不可以
我们发现在匹配过程中中文的：符号也被匹配出来了，而这个在匹配过程中应该去掉。同时空间地址一项的结果明显混乱，但是为了不增加正则表达式的难度，我们在后续处理中直接用我们重定向后的地址取代这个地址即可。
因为包含中文符号的情况可能是这样的：
也会是这样的：
所以明显感觉到了网页的作者的慢慢的恶意。。。。。，所以我们用 (?:：)? 来解决这个问题。分组中?:表示匹配但不计入结果，接下来的：是要匹配到的中文冒号，一定要是中文的，分组外边的?表示这个分组可以匹配到也可以匹配不到都行。
In [205]: response = urllib2.urlopen(main[10],timeout=5) In [206]: content = response.read() In [207]: pattern = re.compile(r"<strong>(.*?)(?:：)?</strong>(?:：)?(.+?)<br\s*/>") In [208]: result = re.findall(pattern,content) In [209]: for item in result: ...: print item[0],item[1] ...: 昵称 我才是宝宝 空间地址 <br /><a href="http://babysix.daxiutai.com/">http://babysix.daxiutai.com/</a> 性别 女 出生年月 2016-03 籍贯 天津市 天津市 身高 166cm 体重 45kg 三围 82 63 88 鞋码 38 肤色 黄色 头发颜色 黑 婚姻状况 未婚 是否有纹身 无 纹身何处 ： # 这里还是有些问题，为了简单我们就不再更改内容了 是否可以拍内衣广告 不可以
上边仅仅是获取一个模特的详细信息，接下来我们将获取所有的模特的信息：
In [90]: result = [] In [90]: for item in main: response = urllib2.urlopen(item,timeout=8) content = response.read() temp = re.findall(pattern,content) result.append(temp)
上述获取的结果都存储在result中，但是显示效果却很low，为了好看，我们用DataFrame存储。
注意：下边的代码如果直接copy到ipython中执行会有错误，最好是自己按照代码层级自己敲入：
for item in main: response = urllib2.urlopen(item,timeout=8) content = response.read() temp = re.findall(pattern,content) line_list = [] for x in temp: line_list.append(list(x))
# 这里 line_list[1][1] = item line_dict = dict(line_list) result.append(line_dict) frame = DataFrame(result)
效果如下图所表示（只是截取了前10个信息）：
为了方便，我们将这个过程写为一个python可执行文件，内容如下：
#!/usr/bin/python #! -*- coding:utf-8 -*- import urllib import urllib2 import re import numpy as np import pandas as pd from pandas import DataFrame,Series class ScrapModel: def __init__(self): self.entry_url = "http://www.daxiutai.com/mote/5.html" def get_personal_address(self): try: print "进入主页中..." request = urllib2.Request(self.entry_url) response = urllib2.urlopen(request,timeout=5) content = response.read() pattern = re.compile(r"(?:<li\s+class=\"li_01\">).*?<a\s+href=\"(.*?)\".*?>",re.S) original_add = re.findall(pattern,content) # 去重复 original_add = list(set(original_add)) redirect_add = [] print "获取重定向地址中..." for item in original_add: res = urllib2.urlopen(item,timeout=5) url = res.geturl() # 去除不可访问地址 mat = re.match(r".*?www.*?",url) if not mat: redirect_add.append(url) print url return redirect_add except Exception,e: if hasattr(e,"reason"): print u"连接失败,原因:",e.reason if hasattr(e,"code"): print "code:",e.code return None def get_personal_info(self,redirect_add): if (len(redirect_add) == 0): print "传入参数长度为0" return None try: pattern = re.compile(r"<strong>(.*?)(?:：)?</strong>(?:：)?(.+?)<br\s*/>") print "获取模特信息中..." result = [] for item in redirect_add: response = urllib2.urlopen(item,timeout=8) content = response.read() temp = re.findall(pattern,content) line_list = [] for x in temp: # list(x) 是将匹配到的二元组变换为二元的list line_list.append(list(x)) print "获取到 %s 的信息"%line_list[0][1] # 这里重新设置模特的空间地址 line_list[1][1] = item # 这个做法会将二元list的第一个元素变成字典的类型的key，对应的第二个会变成value line_dict = dict(line_list) result.append(line_dict) # 将结果转换为DataFrame类型 frame = DataFrame(result) print frame return frame except Exception,e: print Exception,e if hasattr(e,"reason"): print u"连接失败,原因:",e.reason if hasattr(e,"code"): print "code:",e.code return None spider = ScrapModel() redirect_add = spider.get_personal_address() spider.get_personal_info(redirect_add)
2.3 爬取模特的图片
在模特的个人主页中点击相册就会进入相册界面，其地址格式为： 个人主页/album.html
而点击其中的任意一个相册就会进入其图片展示页面，而我们的图片也将从这里抓取
所以接下来我们要获取每一个相册的地址，我们从每个模特的相册集页面中进入，也就是地址格式为: 个人主页地址/album.html 的形式：
In [226]: url = "http://yiyingxing.daxiutai.com/album.html" In [227]: response =urllib2.urlopen(urllib2.Request(url)) In [228]: content = response.read() In [229]: pattern = re.compile(r"<p><a.*?href=\"(.*?)\".*?img.*?/a></p>") In [230]: albums = re.findall(pattern,content) In [231]: albums Out[231]: ['http://yiyingxing.daxiutai.com/photo/14422.html', 'http://yiyingxing.daxiutai.com/photo/14421.html']
接下来我们获取所有模特的相册地址
# model_info就是前边一节中get_personal_info返回的结果
def get_albums_address(modle_info): albums_addr = {} try: redirect_add = modle_info.index.tolist() pattern = re.compile(r"<p><a.*?href=\"(.*?)\".*?img.*?/a></p>") for item in redirect_add: response = urllib2.urlopen(item + "album.html",timeout=10) content = response.read() albums = re.findall(pattern,content) print "the albums is:",albums albums_addr[item] = albums return albums_addr except Exception,e: print Exception,e if hasattr(e,"reason"): print u"连接失败,原因:",e.reason if hasattr(e,"code"): print "code:",e.code return None
获取到的地址放在字典类型中，其中的每一项的key值是模特的个人主页，value就是相册地址构成的列表。
获取到了相册地址之后就该进入每一个相册中获取其图片，但是有的时候其相册页面中的图片就是原图，像这样的：
但有的时候却又是缩略图，是这样的:
实际上去掉图片名中 _thumb 就会是原图地址，所以这两种都按照一种形式抓取，然后去掉缩略图中的 _thumb：
def get_album_photos(address): print "获取一个新模特的图片中..." photos = [] try: pattern = re.compile(r"<p><a.*?rel=\"(.*?)\".*?/a></p>") for item in address: response = urllib2.urlopen(item,timeout=10) content = response.read() temp = re.findall(pattern,content) if temp: print "获得了MM的%d张照片",len(temp) photos = photos + temp if not photos: print "这家伙太懒了，什么图片都没有留下.." return None return photos except Exception,e: print Exception,e if hasattr(e,"reason"): print u"连接失败,原因:",e.reason if hasattr(e,"code"): print "code:",e.code return None
用获取到的模特相册地址测试调用：
In [35]: get_album_photos(albums_addr["http://timey.daxiutai.com/"]) 获取一个新模特的图片中... 获得了MM的%d张照片 8 获得了MM的%d张照片 11 获得了MM的%d张照片 13 Out[35]: ['http://www.daxiutai.com/uploadfiles/user/i191156228/20160513/cf7a25fcbde925cc1aec6654da47ebe4.jpg', 'http://www.daxiutai.com/uploadfiles/user/i191156228/20160513/35bbdb12829a7ca080beb3804e541da7.jpg',
获取所有的图片，并将放入字典类型中
def get_all_photos(albums_addr): photos = {} for key in albums_addr: temp = get_album_photos(albums_addr[key]) if temp: photos[key] = temp return photos
2.4 信息保存
模特的图片和个人信息已经有了，接下来我们就将其保存在本地。
def save_one_info(self,info,photos): dir_name = info[" 昵称"] exists = os.path.exists(dir_name) if not exists: print "创建模特文件夹："+dir_name os.makedirs(dir_name) print "保存模特信息中: "+dir_name one.to_csv(dir_name+"/"+dir_name+".txt",sep=":") for photo in photos: photo = re.sub("_thumb","",photo) file_name = dir_name+"/"+re.split("/",photo)[-1] print "正在保存图片: "+file_name res = urllib.urlopen(photo) data = res.read() f = open(file_name,"wb") f.write(data) f.close()
测试一个人的保存：
save_one_info(modle_info.ix["http://zaokai456789.daxiutai.com/"],all["http://zaokai456789.daxiutai.com/"])
保存后的结果：
好了，接下来我们将保存所有人的图片以及信息：
def save_all_info(modle_info,modles_photos): for item in modles_photos: save_one_info(modle_info.ix[item],modles_photos[item])
3. 完整的爬取过程
python 入手不久，欢迎大神莫喷
#!/usr/bin/python #! -*- coding:utf-8 -*- import os import urllib import urllib2 import re import numpy as np import pandas as pd from pandas import DataFrame,Series class ScrapModel: def __init__(self): self.entry_url = "http://www.daxiutai.com/mote/5.html" self.modle_info = DataFrame() self.albums_addr = {} def get_personal_address(self): try: print "进入主页中..." request = urllib2.Request(self.entry_url) response = urllib2.urlopen(request,timeout=5) content = response.read() pattern = re.compile(r"(?:<li\s+class=\"li_01\">).*?<a\s+href=\"(.*?)\".*?>",re.S) original_add = re.findall(pattern,content) # 去重复 original_add = list(set(original_add)) redirect_add = [] print "获取重定向地址中..." for item in original_add: res = urllib2.urlopen(item,timeout=5) url = res.geturl() # 去除不可访问地址 mat = re.match(r".*?www.*?",url) if not mat: redirect_add.append(url) print url return redirect_add except Exception,e: if hasattr(e,"reason"): print u"连接失败,原因:",e.reason if hasattr(e,"code"): print "code:",e.code return None def get_personal_info(self,redirect_add): if (len(redirect_add) == 0): print "传入参数长度为0" return None try: pattern = re.compile(r"<strong>(.*?)(?:：)?</strong>(?:：)?(.+?)<br\s*/>") print "获取模特信息中..." result = [] for item in redirect_add: response = urllib2.urlopen(item,timeout=10) content = response.read() temp = re.findall(pattern,content) line_list = [] for x in temp: # list(x) 是将匹配到的二元组变换为二元的list line_list.append(list(x)) print "获取到 %s 的信息"%line_list[0][1] # 这里重新设置模特的空间地址 line_list[1][1] = item # 这个做法会将二元list的第一个元素变成字典的类型的key，对应的第二个会变成value line_dict = dict(line_list) result.append(line_dict) # 将结果转换为DataFrame类型 self.modle_info = DataFrame(result) self.modle_info = self.modle_info.set_index("空间地址") print self.modle_info return self.modle_info except Exception,e: print Exception,e if hasattr(e,"reason"): print u"连接失败,原因:",e.reason if hasattr(e,"code"): print "code:",e.code return None #获取每个模特的每个相册的地址,每个模特都会有一个默认相册地址，但是里边可能没有图片 def get_albums_address(self): try: redirect_add = self.modle_info.index.tolist() pattern = re.compile(r"<p><a.*?href=\"(.*?)\".*?img.*?/a></p>") for item in redirect_add: response = urllib2.urlopen(item + "album.html",timeout=10) content = response.read() albums = re.findall(pattern,content) print "the albums is:",albums self.albums_addr[item] = albums return self.albums_addr except Exception,e: print Exception,e if hasattr(e,"reason"): print u"连接失败,原因:",e.reason if hasattr(e,"code"): print "code:",e.code return None # 获取一个模特的所有图片地址 def get_album_photos(self,address): print "获取一个新模特的图片中..." photos = [] try: pattern = re.compile(r"<p><a.*?rel=\"(.*?)\".*?/a></p>") for item in address: response = urllib2.urlopen(item,timeout=10) content = response.read() temp = re.findall(pattern,content) if temp: print "获得了MM的%d张照片",len(temp) photos = photos + temp if not photos: print "这家伙太懒了，什么图片都没有留下.." return None return photos except Exception,e: print Exception,e if hasattr(e,"reason"): print u"连接失败,原因:",e.reason if hasattr(e,"code"): print "code:",e.code return None # 获取所有模特的图片地址 def get_all_photos(self,albums_addr): photos = {} for key in albums_addr: temp = self.get_album_photos(albums_addr[key]) if temp: photos[key] = temp return photos # 保存一个模特的信息 def save_one_info(self,info,photos): dir_name = info[" 昵称"] exists = os.path.exists(dir_name) if not exists: print "创建模特文件夹："+dir_name os.makedirs(dir_name) print "保存模特信息中: "+dir_name info.to_csv(dir_name+"/"+dir_name+".txt",sep=":") for photo in photos: photo = re.sub("_thumb","",photo) file_name = dir_name+"/"+re.split("/",photo)[-1] print "正在保存图片: "+file_name res = urllib.urlopen(photo) data = res.read() f = open(file_name,"wb") f.write(data) f.close() # 保存所有模特的信息 def save_all_info(self,modle_info,modles_photos): for item in modles_photos: self.save_one_info(modle_info.ix[item],modles_photos[item]) spider = ScrapModel() redirect_add = spider.get_personal_address() frame = spider.get_personal_info(redirect_add) albums = spider.get_albums_address() all_photos = spider.get_all_photos(albums) spider.save_all_info(frame,all_photos)
