Python爬虫实例（一）爬取百度贴吧帖子中的图片

程序功能说明：爬取百度贴吧帖子中的图片，用户输入贴吧名称和要爬取的起始和终止页数即可进行爬取。

思路分析：

一、指定贴吧url的获取

例如我们进入秦时明月吧，提取并分析其有效url如下

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
# 贴吧url前半部分
url = "http://tieba.baidu.com/f?"
value = raw_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.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实现：

import urllib
url = "http://tieba.baidu.com/f?"
value = raw_input("请输入要爬取的贴吧名称：")
key = urllib.urlencode({"kw":value})
# 贴吧完整url
url = url + key
begin_page = int(raw_input("请输入起始页："))
end_page = int(raw_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 urllib2
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 = urllib2.Request(url)
html = urllib2.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 urllib2
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 = urllib2.Request(url, headers = headers)
html = urllib2.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 urllib2
# 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 = urllib2.Request(url, headers = headers)
image = urllib2.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)

运行程序，图片就会保存到当前的工作目录中。

 

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 -*-

import urllib
import urllib2
from lxml import etree

def loadPage(url):
    """
        作用：根据url发送请求，获取服务器响应文件
        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 = urllib2.Request(url, headers=headers)
    html = urllib2.urlopen(request).read()
    content = etree.HTML(html)
    # 匹配每个帖子url的后半部分
    link_list = content.xpath('//a[@class="j_th_tit"]/@href')
    for link in link_list:
        # 组合为每个帖子的完整链接
        fulllink = "http://tieba.baidu.com" + link
        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 = urllib2.Request(link, headers = headers)
    html = urllib2.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:
        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 = urllib2.Request(link, headers = headers)
    image = urllib2.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)
        loadPage(fullurl)
        print "谢谢使用"

if __name__ == "__main__":
    kw = raw_input("请输入需要爬取的贴吧名:")
    beginPage = int(raw_input("请输入起始页："))
    endPage = int(raw_input("请输入结束页："))
    url = "http://tieba.baidu.com/f?"
    key = urllib.urlencode({"kw": kw})
    fullurl = url + key
    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。