Python爬蟲之爬取淘女郎照片示例詳解

更新時間：2020年07月28日 16:40:51 作者：吃著東西不想停

這篇文章主要介紹了Python爬蟲之爬取淘女郎照片示例詳解，文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

本篇目標

抓取淘寶MM的姓名，頭像，年齡
抓取每一個MM的資料簡介以及寫真圖片
把每一個MM的寫真圖片按照文件夾保存到本地
熟悉文件保存的過程

1.URL的格式

在這里我們用到的URL是 http://mm.taobao.com/json/request_top_list.htm?page=1，問號前面是基地址，后面的參數(shù)page是代表第幾頁，可以隨意更換地址。點擊開之后，會發(fā)現(xiàn)有一些淘寶MM的簡介，并附有超鏈接鏈接到個人詳情頁面。

我們需要抓取本頁面的頭像地址，MM姓名，MM年齡，MM居住地，以及MM的個人詳情頁面地址。

2.抓取簡要信息

相信大家經(jīng)過上幾次的實戰(zhàn)，對抓取和提取頁面的地址已經(jīng)非常熟悉了，這里沒有什么難度了，我們首先抓取本頁面的MM詳情頁面地址，姓名，年齡等等的信息打印出來，直接貼代碼如下

import urllib
import urllib2
import re

class Spider:

 def __init__(self):
  self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'

 def getPage(self,pageIndex):
  url = self.siteURL + "?page=" + str(pageIndex)
  print url
  request = urllib2.Request(url)
  response = urllib2.urlopen(request)
  return response.read().decode('gbk')

 def getContents(self,pageIndex):
  page = self.getPage(pageIndex)
  pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)" rel="external nofollow" rel="external nofollow" .*?![]((.*?))(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)
  items = re.findall(pattern,page)
  for item in items:
   print item[0],item[1],item[2],item[3],item[4]

spider = Spider()
spider.getContents(1)

運行結(jié)果如下

3.文件寫入簡介

在這里，我們有寫入圖片和寫入文本兩種方式

1）寫入圖片

#傳入圖片地址，文件名，保存單張圖片
def saveImg(self,imageURL,fileName):
  u = urllib.urlopen(imageURL)
  data = u.read()
  f = open(fileName, 'wb')
  f.write(data)
  f.close()

2）寫入文本

def saveBrief(self,content,name):
 fileName = name + "/" + name + ".txt"
 f = open(fileName,"w+")
 print u"正在偷偷保存她的個人信息為",fileName
 f.write(content.encode('utf-8'))

3）創(chuàng)建新目錄

#創(chuàng)建新目錄
def mkdir(self,path):
 path = path.strip()
 # 判斷路徑是否存在
 # 存在  True
 # 不存在 False
 isExists=os.path.exists(path)
 # 判斷結(jié)果
 if not isExists:
  # 如果不存在則創(chuàng)建目錄
  # 創(chuàng)建目錄操作函數(shù)
  os.makedirs(path)
  return True
 else:
  # 如果目錄存在則不創(chuàng)建，并提示目錄已存在
  return False

4.代碼完善

主要的知識點已經(jīng)在前面都涉及到了，如果大家前面的章節(jié)都已經(jīng)看了，完成這個爬蟲不在話下，具體的詳情在此不再贅述，直接帖代碼啦。

spider.py

import urllib
import urllib2
import re
import tool
import os

#抓取MM
class Spider:

 #頁面初始化
 def __init__(self):
  self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'
  self.tool = tool.Tool()

 #獲取索引頁面的內(nèi)容
 def getPage(self,pageIndex):
  url = self.siteURL + "?page=" + str(pageIndex)
  request = urllib2.Request(url)
  response = urllib2.urlopen(request)
  return response.read().decode('gbk')

 #獲取索引界面所有MM的信息，list格式
 def getContents(self,pageIndex):
  page = self.getPage(pageIndex)
  pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)" rel="external nofollow" rel="external nofollow" .*?![]((.*?))(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)
  items = re.findall(pattern,page)
  contents = []
  for item in items:
   contents.append([item[0],item[1],item[2],item[3],item[4]])
  return contents

 #獲取MM個人詳情頁面
 def getDetailPage(self,infoURL):
  response = urllib2.urlopen(infoURL)
  return response.read().decode('gbk')

 #獲取個人文字簡介
 def getBrief(self,page):
  pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)
  result = re.search(pattern,page)
  return self.tool.replace(result.group(1))

 #獲取頁面所有圖片
 def getAllImg(self,page):
  pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)
  #個人信息頁面所有代碼
  content = re.search(pattern,page)
  #從代碼中提取圖片
  patternImg = re.compile('<img.*?src="(.*?)"',re.S)
  images = re.findall(patternImg,content.group(1))
  return images


 #保存多張寫真圖片
 def saveImgs(self,images,name):
  number = 1
  print u"發(fā)現(xiàn)",name,u"共有",len(images),u"張照片"
  for imageURL in images:
   splitPath = imageURL.split('.')
   fTail = splitPath.pop()
   if len(fTail) > 3:
    fTail = "jpg"
   fileName = name + "/" + str(number) + "." + fTail
   self.saveImg(imageURL,fileName)
   number += 1

 # 保存頭像
 def saveIcon(self,iconURL,name):
  splitPath = iconURL.split('.')
  fTail = splitPath.pop()
  fileName = name + "/icon." + fTail
  self.saveImg(iconURL,fileName)

 #保存?zhèn)€人簡介
 def saveBrief(self,content,name):
  fileName = name + "/" + name + ".txt"
  f = open(fileName,"w+")
  print u"正在偷偷保存她的個人信息為",fileName
  f.write(content.encode('utf-8'))


 #傳入圖片地址，文件名，保存單張圖片
 def saveImg(self,imageURL,fileName):
   u = urllib.urlopen(imageURL)
   data = u.read()
   f = open(fileName, 'wb')
   f.write(data)
   print u"正在悄悄保存她的一張圖片為",fileName
   f.close()

 #創(chuàng)建新目錄
 def mkdir(self,path):
  path = path.strip()
  # 判斷路徑是否存在
  # 存在  True
  # 不存在 False
  isExists=os.path.exists(path)
  # 判斷結(jié)果
  if not isExists:
   # 如果不存在則創(chuàng)建目錄
   print u"偷偷新建了名字叫做",path,u'的文件夾'
   # 創(chuàng)建目錄操作函數(shù)
   os.makedirs(path)
   return True
  else:
   # 如果目錄存在則不創(chuàng)建，并提示目錄已存在
   print u"名為",path,'的文件夾已經(jīng)創(chuàng)建成功'
   return False

 #將一頁淘寶MM的信息保存起來
 def savePageInfo(self,pageIndex):
  #獲取第一頁淘寶MM列表
  contents = self.getContents(pageIndex)
  for item in contents:
   #item[0]個人詳情URL,item[1]頭像URL,item[2]姓名,item[3]年齡,item[4]居住地
   print u"發(fā)現(xiàn)一位模特,名字叫",item[2],u"芳齡",item[3],u",她在",item[4]
   print u"正在偷偷地保存",item[2],"的信息"
   print u"又意外地發(fā)現(xiàn)她的個人地址是",item[0]
   #個人詳情頁面的URL
   detailURL = item[0]
   #得到個人詳情頁面代碼
   detailPage = self.getDetailPage(detailURL)
   #獲取個人簡介
   brief = self.getBrief(detailPage)
   #獲取所有圖片列表
   images = self.getAllImg(detailPage)
   self.mkdir(item[2])
   #保存?zhèn)€人簡介
   self.saveBrief(brief,item[2])
   #保存頭像
   self.saveIcon(item[1],item[2])
   #保存圖片
   self.saveImgs(images,item[2])

 #傳入起止頁碼，獲取MM圖片
 def savePagesInfo(self,start,end):
  for i in range(start,end+1):
   print u"正在偷偷尋找第",i,u"個地方，看看MM們在不在"
   self.savePageInfo(i)


#傳入起止頁碼即可，在此傳入了2,10,表示抓取第2到10頁的MM
spider = Spider()
spider.savePagesInfo(2,10)

tool.py

import re

#處理頁面標簽類
class Tool:
 #去除img標簽,1-7位空格, 
 removeImg = re.compile('<img.*?>| {1,7}| ')
 #刪除超鏈接標簽
 removeAddr = re.compile('<a.*?>|</a>')
 #把換行的標簽換為\n
 replaceLine = re.compile('<tr>|<div>|</div>|</p>')
 #將表格制表<td>替換為\t
 replaceTD= re.compile('<td>')
 #將換行符或雙換行符替換為\n
 replaceBR = re.compile('<br><br>|<br>')
 #將其余標簽剔除
 removeExtraTag = re.compile('<.*?>')
 #將多行空行刪除
 removeNoneLine = re.compile('\n+')
 def replace(self,x):
  x = re.sub(self.removeImg,"",x)
  x = re.sub(self.removeAddr,"",x)
  x = re.sub(self.replaceLine,"\n",x)
  x = re.sub(self.replaceTD,"\t",x)
  x = re.sub(self.replaceBR,"\n",x)
  x = re.sub(self.removeExtraTag,"",x)
  x = re.sub(self.removeNoneLine,"\n",x)
  #strip()將前后多余內(nèi)容刪除
  return x.strip()

以上兩個文件就是所有的代碼內(nèi)容，運行一下試試看，那叫一個酸爽啊