python学习(十七) 爬取MM图片

这一篇巩固前几篇文章的学到的技术，利用urllib库爬取美女图片，其中采用了多线程，文件读写，
目录匹配，正则表达式解析，字符串拼接等知识，这些都是前文提到的，综合运用一下，写个爬虫
示例爬取美女图片。
先定义几个匹配规则和User_Agent

USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0'
PATTERN1 = r'<div id="content">.*?<h2>(.*?)</h2>'                
PATTERN2 = r'<p><img src="(.*?)"'
PATTERN2 = r'<p><img class=".*?src="(.*?)"'
PATTERN3 = r'''<li class='next-page'><a target="_blank" href='(.*?)'>下一页'''
PATTERN4 = r'^(.*)/'
PATTERN5 = r'^.*/(.*?)$'

读者可以根据不同网站的代码去修改这些规则，达到匹配一些网站的目的。

1定义抓图类

class GetMMPic(object):
	def __init__(self,path,httpstr):
		# 去除首位空格
		path = path.strip()
		# 去除尾部 \ 符号
		path = path.rstrip('\\')
		self.path = path
		self.url = httpstr
		self.user_agent = USER_AGENT

初始化构造函数中设置了路径和网络地址，以及请求的user_agent。

2封装信息请求和读取函数

def requestData(self,url, user_agent):
	try:
		req = request.Request(url)
		req.add_header('User-Agent', user_agent)
		response = request.urlopen(req,timeout = 8)
		#bytes变为字符串
		content = response.read().decode('utf-8')
		return content
	except error.URLError as e:
		if hasattr(e,'code'):
			print (e.code)
		if hasattr(e,'reason'):
			print (e.reason)
	except error.HTTPError as e:
		if hasattr(e,'code'):
			print(e.code)
		if hasattr(e,'reason'):
			print(e.reason)
		print('HTTPError!!!')

这个函数功能主要是请求url网络地址，加上user_agent后，获取数据，并且采用utf-8
编码方式解析。

3封装创建目录函数

def makedir(self,dirname):
	joinpath = os.path.join(self.path,dirname)
	print(joinpath)
	isExists = os.path.exists(joinpath)
	if isExists:
		print('目录已经存在\n')
		return None
	else:
		os.makedirs(joinpath)
		print('创建成功\n')
		return joinpath

该函数主要是完成在GMMPic类配置的路径下(默认是./)，生成子目录，子目录的名字由
参数决定。简单地说就是要在当前目录下生成文件名对应的文件夹，保存不同的图片。

4 获取当前页面信息保存图片

def getPageData(self,httpstr):
	content = self.requestData(self.url, self.user_agent)
	namepattern = re.compile(PATTERN1,re.S)
	nameresult = re.search(namepattern, content)
	namestr = nameresult.group(1)
	dirpath = self.makedir(namestr)
	if not dirpath:
		print('目录已存在')
		return

	picpattern = re.compile(PATTERN2,re.S)

	lastpattern = re.compile(PATTERN5, re.S)

	while(1):
		print('正在爬取%s........'%(namestr))
		picitems = re.findall(picpattern,content)
		for item in picitems:
			picrs = re.search(lastpattern, item)
			picname = picrs.group(1)
			filedir = os.path.join(dirpath,picname)
			url = quote(item, safe = string.printable)
			try:
				req = request.Request(url)
				req.add_header('User-Agent',USER_AGENT)
				response = request.urlopen(req)
				picdata =response.read()
				with open(filedir,'wb') as file:
					file.write(picdata)
			except error.URLError as e:
				if hasattr(e,'code'):
					print (e.code)
				if hasattr(e,'reason'):
					print (e.reason)
			except error.HTTPError as e:
				if hasattr(e,'code'):
					print (e.code)
				if hasattr(e,'reason'):
					print (e.reason)

		print('\n%s爬取成功.......'%(namestr))
		break

getPageData()函数根据PATTERN2匹配页面符合条件的图片资源，根据PATTERN5取出图片名字(不含类型),
通过for循环一个一个保存。

运行程序，提示输入网址，

这里输入男人装某篇文章的地址，效果如下：

5 采用多线程提高并发能力

编写线程回调函数 workthread，每个线程去爬不同的文章

def workthread(item, user_agent,path):
	strurl = 'http://yxpjw.club'+item[0]
	picname = item[1]
	print('正在爬取%s...........................\n' %(picname))
	content = requestData(strurl,user_agent)

	strurl2 = re.search(r'^(.*)/',strurl).group(0)
	print('https headers...............%s'%(strurl2))
	#destname = os.path.join(path,picname+'.txt')
	#with open(destname, 'w',encoding='gbk') as file:
		#file.write(content)
	destdir = os.path.join(path,picname)
	os.makedirs(destdir)
	page = 1
	while(1):
		content = getpagedata(content,destdir,page,strurl2)
		if not content:
			break
		page = page + 1
	print('%s数据爬取成功！！！\n'%(picname))

开辟多个线程，去爬首页各个分栏，实现自动化抓图

def getDetailList(self,content):
	s2 = r'<h2><a target="_blank" href="(.*?)" title="(.*?)"'
		pattern =re.compile(s2 , re.S
			)
	result = re.findall(pattern, content)
	with open('file.txt','w',encoding='gbk') as f:
		f.write(content)

	if not result:
		print('匹配规则不适配..............')

	threadsList=[] 
	for item in result:
		t = threading.Thread(target = workthread, args=(item, self.user_agent, self.path))
		threadsList.append(t)
		t.start()

	for threadid in threadsList:
		threadid.join()

源码下载地址：
https://github.com/secondtonone1/python-
谢谢关注我的公众号：