Python如何爬取淘女郎照片

发布时间:2020-07-30 10:05:30 作者:小猪
来源:亿速云 阅读:169

这篇文章主要讲解了Python如何爬取淘女郎照片,内容清晰明了,对此有兴趣的小伙伴可以学习一下,相信大家阅读完之后会有帮助。

本篇目标

  1. 抓取淘宝MM的姓名,头像,年龄
  2. 抓取每一个MM的资料简介以及写真图片
  3. 把每一个MM的写真图片按照文件夹保存到本地
  4. 熟悉文件保存的过程 

1.URL的格式

在这里我们用到的URL是 http://mm.taobao.com/json/request_top_list.htm?page=1,问号前面是基地址,后面的参数page是代表第几页,可以随意更换地址。点击开之后,会发现有一些淘宝MM的简介,并附有超链接链接到个人详情页面。

我们需要抓取本页面的头像地址,MM姓名,MM年龄,MM居住地,以及MM的个人详情页面地址。

2.抓取简要信息

相信大家经过上几次的实战,对抓取和提取页面的地址已经非常熟悉了,这里没有什么难度了,我们首先抓取本页面的MM详情页面地址,姓名,年龄等等的信息打印出来,直接贴代码如下

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".*&#63;pic-word.*&#63;<a href="(.*&#63;)" rel="external nofollow" rel="external nofollow" .*&#63;![]((.*&#63;))(.*&#63;)</a>.*&#63;<strong>(.*&#63;)</strong>.*&#63;<span>(.*&#63;)</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)

运行结果如下

Python如何爬取淘女郎照片

3.文件写入简介

在这里,我们有写入图片和写入文本两种方式

1)写入图片

#传入图片地址,文件名,保存单张图片
def saveImg(self,imageURL,fileName):
   u = urllib.urlopen(imageURL)
   data = u.read()
   f = open(fileName, 'wb')
   f.write(data)
   f.close()

2)写入文本

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

3)创建新目录

#创建新目录
def mkdir(self,path):
  path = path.strip()
  # 判断路径是否存在
  # 存在   True
  # 不存在  False
  isExists=os.path.exists(path)
  # 判断结果
  if not isExists:
    # 如果不存在则创建目录
    # 创建目录操作函数
    os.makedirs(path)
    return True
  else:
    # 如果目录存在则不创建,并提示目录已存在
    return False

4.代码完善

主要的知识点已经在前面都涉及到了,如果大家前面的章节都已经看了,完成这个爬虫不在话下,具体的详情在此不再赘述,直接帖代码啦。

spider.py

import urllib
import urllib2
import re
import tool
import os

#抓取MM
class Spider:

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

  #获取索引页面的内容
  def getPage(self,pageIndex):
    url = self.siteURL + "&#63;page=" + str(pageIndex)
    request = urllib2.Request(url)
    response = urllib2.urlopen(request)
    return response.read().decode('gbk')

  #获取索引界面所有MM的信息,list格式
  def getContents(self,pageIndex):
    page = self.getPage(pageIndex)
    pattern = re.compile('<div class="list-item".*&#63;pic-word.*&#63;<a href="(.*&#63;)" rel="external nofollow" rel="external nofollow" .*&#63;![]((.*&#63;))(.*&#63;)</a>.*&#63;<strong>(.*&#63;)</strong>.*&#63;<span>(.*&#63;)</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

  #获取MM个人详情页面
  def getDetailPage(self,infoURL):
    response = urllib2.urlopen(infoURL)
    return response.read().decode('gbk')

  #获取个人文字简介
  def getBrief(self,page):
    pattern = re.compile('<div class="mm-aixiu-content".*&#63;>(.*&#63;)<!--',re.S)
    result = re.search(pattern,page)
    return self.tool.replace(result.group(1))

  #获取页面所有图片
  def getAllImg(self,page):
    pattern = re.compile('<div class="mm-aixiu-content".*&#63;>(.*&#63;)<!--',re.S)
    #个人信息页面所有代码
    content = re.search(pattern,page)
    #从代码中提取图片
    patternImg = re.compile('<img.*&#63;src="(.*&#63;)"',re.S)
    images = re.findall(patternImg,content.group(1))
    return images


  #保存多张写真图片
  def saveImgs(self,images,name):
    number = 1
    print u"发现",name,u"共有",len(images),u"张照片"
    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

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

  #保存个人简介
  def saveBrief(self,content,name):
    fileName = name + "/" + name + ".txt"
    f = open(fileName,"w+")
    print u"正在偷偷保存她的个人信息为",fileName
    f.write(content.encode('utf-8'))


  #传入图片地址,文件名,保存单张图片
  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张图片为",fileName
     f.close()

  #创建新目录
  def mkdir(self,path):
    path = path.strip()
    # 判断路径是否存在
    # 存在   True
    # 不存在  False
    isExists=os.path.exists(path)
    # 判断结果
    if not isExists:
      # 如果不存在则创建目录
      print u"偷偷新建了名字叫做",path,u'的文件夹'
      # 创建目录操作函数
      os.makedirs(path)
      return True
    else:
      # 如果目录存在则不创建,并提示目录已存在
      print u"名为",path,'的文件夹已经创建成功'
      return False

  #将一页淘宝MM的信息保存起来
  def savePageInfo(self,pageIndex):
    #获取第一页淘宝MM列表
    contents = self.getContents(pageIndex)
    for item in contents:
      #item[0]个人详情URL,item[1]头像URL,item[2]姓名,item[3]年龄,item[4]居住地
      print u"发现一位模特,名字叫",item[2],u"芳龄",item[3],u",她在",item[4]
      print u"正在偷偷地保存",item[2],"的信息"
      print u"又意外地发现她的个人地址是",item[0]
      #个人详情页面的URL
      detailURL = item[0]
      #得到个人详情页面代码
      detailPage = self.getDetailPage(detailURL)
      #获取个人简介
      brief = self.getBrief(detailPage)
      #获取所有图片列表
      images = self.getAllImg(detailPage)
      self.mkdir(item[2])
      #保存个人简介
      self.saveBrief(brief,item[2])
      #保存头像
      self.saveIcon(item[1],item[2])
      #保存图片
      self.saveImgs(images,item[2])

  #传入起止页码,获取MM图片
  def savePagesInfo(self,start,end):
    for i in range(start,end+1):
      print u"正在偷偷寻找第",i,u"个地方,看看MM们在不在"
      self.savePageInfo(i)


#传入起止页码即可,在此传入了2,10,表示抓取第2到10页的MM
spider = Spider()
spider.savePagesInfo(2,10)

tool.py

import re

#处理页面标签类
class Tool:
  #去除img标签,1-7位空格, 
  removeImg = re.compile('<img.*&#63;>| {1,7}| ')
  #删除超链接标签
  removeAddr = re.compile('<a.*&#63;>|</a>')
  #把换行的标签换为\n
  replaceLine = re.compile('<tr>|<div>|</div>|</p>')
  #将表格制表<td>替换为\t
  replaceTD= re.compile('<td>')
  #将换行符或双换行符替换为\n
  replaceBR = re.compile('<br><br>|<br>')
  #将其余标签剔除
  removeExtraTag = re.compile('<.*&#63;>')
  #将多行空行删除
  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()将前后多余内容删除
    return x.strip()

以上两个文件就是所有的代码内容,运行一下试试看,那叫一个酸爽啊

Python如何爬取淘女郎照片

Python如何爬取淘女郎照片

看完上述内容,是不是对Python如何爬取淘女郎照片有进一步的了解,如果还想学习更多内容,欢迎关注亿速云行业资讯频道。

推荐阅读:
  1. python如何爬取图片
  2. python如何爬取ajax

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

python

上一篇:SqlServer系列笔记——子查询

下一篇:如何实现Python selenium键盘鼠标事件

相关阅读

您好,登录后才能下订单哦!

密码登录
登录注册
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》