Python 爬虫练习： 爬取百度贴吧中的图片
背景：最近开始看一些Python爬虫相关的知识，就在网上找了一些简单已与练习的一些爬虫脚本
实现功能：1，读取用户想要爬取的贴吧
2，读取用户先要爬取某个贴吧的页数范围
3，爬取每个贴吧中用户输入的页数范围内的每个帖子的链接
4，爬取每个帖子中的图片，并下载到本地。
开发环境：Python 3.7 , lxml, urllib
思路分析：
1，指定贴吧URL的获取
比如我们进入“秦时明月汉时关”吧
http://tieba.baidu.com/f?kw=%E7%A7%A6%E6%97%B6%E6%98%8E%E6%9C%88
?后面为查询字符串，“%E7%A7%A6%E6%97%B6%E6%98%8E%E6%9C%88“是贴吧名称“秦时明月”的url编码。
这样我们就可以通过构造请求进入每一个贴吧了，代码实现如下：
import urllib.parse # 贴吧url前半部分 url = "http://tieba.baidu.com/f?"
value = input("请输入要爬取的贴吧名称：")
# 将查询字符串转换为url编码形式 key = urllib.parse.urlencode({"kw":value})
# 组合完整的贴吧url url = url + key # 查看完整url
print url
运行程序，这里输入“天行九歌”作为演示，可以得到天行九歌吧的完整链接如下：
http://tieba.baidu.com/f?kw=%CC%EC%D0%D0%BE%C5%B8%E8
这样就可以获取任意贴吧的链接了。
二、获取贴吧指定页数的链接：
我们进入天行九歌吧，取出该贴吧第2页到底4页的url，如下：
http://tieba.baidu.com/f?kw=%E7%A7%A6%E6%97%B6%E6%98%8E%E6%9C%88&pn=50
http://tieba.baidu.com/f?kw=%E7%A7%A6%E6%97%B6%E6%98%8E%E6%9C%88&pn=100
http://tieba.baidu.com/f?kw=%E7%A7%A6%E6%97%B6%E6%98%8E%E6%9C%88&pn=150
我们发现，每一页的url变化的是pn的值，依次增加50，结合上面贴吧完整的url，要想获得每一页的链接可以如下
import urllib.parse url = "http://tieba.baidu.com/f?" value = input("请输入要爬取的贴吧名称：") key = urllib.parse.urlencode({"kw":value}) # 贴吧完整url url = url + key begin_page = int(input("请输入起始页：")) end_page = int(input("请输入终止页：")) for page in range(begin_page, end_page+1): pn = (page-1)*50 # 组合出贴吧每一页的url full_url = url + "&pn=" + str(pn) print (full_url)
运行程序，输入贴吧名称：“天行九歌”，再输入起始页1，终止页5，可得到如下结果：
这样我们就可以拿到贴吧每一页的链接了。
三、获取贴吧每一页中帖子的链接：
选择一个帖子，首先查看该帖子的元素得到：
<a href="/p/5344262338" title="端木蓉为何一直不苏醒" target="_blank" class="j_th_tit ">端木蓉为何一直不苏醒</a>
然后进入这个帖子取得它的完整链接：
http://tieba.baidu.com/p/5344262338
分析可得：完整链接可由两部分组成，http://tieba.baidu.com和/p/5344262338，后面的部分可以从页面源码中提取，使用xpath规则提取如下：
xpath提取规则：//a[@class="j_th_tit"]/@href（先在浏览器中使用插件匹配，规则很多，找到合适的就行）
下面选择第二页帖子链接做如下演示
# -*- coding: utf-8 -*- import urllib.request from lxml import etree # 贴吧第二页url url = "http://tieba.baidu.com/f?kw=%E5%A4%A9%E8%A1%8C%E4%B9%9D%E6%AD%8C&pn=50" request = urllib.request.Request(url) html = urllib.request.urlopen(request).read() content = etree.HTML(html) # 匹配这一页中所以帖子链接的后半部分 link_list = content.xpath('//div[@class="t_con cleafix"]/div/div/div/a/@href') for link in link_list: # 组合为完整帖子链接 fulllink = "http://tieba.baidu.com" + link print(fulllink)
运行程序，则可取该页中帖子的链接（展示部分）
这样就拿到了每个帖子的链接了。
四、获取每一个帖子中图片的链接：
进入一个帖子，找到发布的图片查看元素：
<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=c1cc6b66b819ebc4c0787691b227cf79/3577812397dda14415c938b1b9b7d0a20df48615.jpg" pic_ext="jpeg" size="39874" height="600" width="450">
使用xpath规则提取图片链接：
xpath提取规则：//img[@class="BDE_Image"]/@src
取上面第一个帖子做演示：
# -*- coding: utf-8 -*- import urllib.request from lxml import etree # 第一个帖子的url url = "http://tieba.baidu.com/p/5341810557" 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 = urllib.request.Request(url, headers = headers) html = urllib.request.urlopen(request).read() content = etree.HTML(html) # 匹配出帖子中的图片链接 link_list = content.xpath('//img[@class="BDE_Image"]/@src') for link in link_list: print (link)
运行程序，取得帖子中图片链接（展示部分）
到现在为止，我们已经可以进入任意一个贴吧，获取每个贴吧指定页数的响应，并且可以拿到每个帖子中的图片链接，接下来要做的就是以图片链接发送请求获取响应文件保存下来即可。
五、保存图片到本地：
import urllib.request # 取得的图片链接 url = "http://imgsa.baidu.com/forum/w%3D580/sign=b42c88339945d688a302b2ac94c37dab/541d5d510fb30f243576ad03c395d143ac4b0352.jpg" 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 = urllib.request.Request(url, headers = headers) image = urllib.request.urlopen(request).read() # 将图片链接后10位作为图片文件名称 filename = url[-10:] # 保存图片到本地 with open(filename, "wb") as f: f.write(image)
六、完整程序
整个过程就是这样了，根据上面的分析，写出的完整程序如下：
#!/usr/bin/env python # -*- coding: utf-8 -*- # @File : tiebaSpider.py # @Author: bpan # @Date : 2018/11/15 0015 # @Desc : from lxml import etree import urllib.request, urllib.parse def loadPage(url): """ 作用：根据url发送请求，获取服务器响应文件,获取一个贴吧中所有帖子的url url: 需要爬取的url地址 """ headers = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"} request = urllib.request.Request(url,headers=headers) html = urllib.request.urlopen(request).read() content = etree.HTML(html) #匹配每个帖子的URL的后半部分 link_list = content.xpath('//div[@class="t_con cleafix"]/div/div/div/a/@href') for link in link_list: #组合为每个帖子的完整链接 fulllink = "http://tieba.baidu.com" + link print("tiezi URL: ---------------------- "+fulllink) loadImage(fulllink) def loadImage(link): """ 作用：取出每个帖子里的每个图片连接 link：每个帖子的链接 """ headers = {"User-Agent": "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"} request = urllib.request.Request(link,headers=headers) html = urllib.request.urlopen(request).read() content= etree.HTML(html) # 匹配帖子里发送的图片链接 link_list = content.xpath('//img[@class="BDE_Image"]/@src') # 取出每个图片的连接 for link in link_list: print("Image Link: -------------------- "+link) writeImage(link) def writeImage(link): """ 作用：将图片保存到本地 link：图片连接 """ headers = {"User-Agent": "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"} request = urllib.request.Request(link,headers=headers) image = urllib.request.urlopen(request).read() filename = link[-10:] with open(filename, "wb") as f: f.write(image) print("已经成功下载 "+ filename) def tiebaSpider(url, beginPage, endPage): """ 作用：负责组合处理贴吧每个页面的url url : 贴吧url的前部分 beginPage : 起始页 endPage : 结束页 """ for page in range(beginPage,endPage+1): pn = (page - 1) * 50 fullurl = url + "&pn=" + str(pn) print("页面： ----------------- "+fullurl) loadPage(fullurl) print("谢谢使用") if __name__ == '__main__': kw = input("请输入需要爬取的贴吧名:") beginPage = int(input("请输入起始页：")) endPage = int(input("请输入结束页：")) url = "http://tieba.baidu.com/f?" key = urllib.parse.urlencode({"kw": kw}) fullurl = url + key print("fullurl: --------------- "+fullurl) tiebaSpider(fullurl, beginPage, endPage)
运行程序，输入你要爬取的贴吧名称和要爬取的页数，图片就可以下载到你的工作目录下了。
参考链接：
https://www.cnblogs.com/xinyangsdut/p/7616053.html
https://blog.csdn.net/moll_77/article/details/78581817 这是python 2 和Python3中url类库的区别
