Python爬虫之爬取淘女郎照片示例详解

这篇文章主要介绍了Python爬虫之爬取淘女郎照片示例详解，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

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

1. import urllib

2. import urllib2

3. import re

4. class Spider:

5. def __init__(self):

6. self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'

7. def getPage(self,pageIndex):

8. url = self.siteURL + "?page=" + str(pageIndex)

9. print url

10. request = urllib2.Request(url)

11. response = urllib2.urlopen(request)

12. return response.read().decode('gbk')

13. def getContents(self,pageIndex):

14. page = self.getPage(pageIndex)

15. pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)" rel="external nofollow" rel="external nofollow" .*?)(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)

16. items = re.findall(pattern,page)

17. for item in items:

18. print item[0],item[1],item[2],item[3],item[4]

19. spider = Spider()

20. spider.getContents(1)

运行结果如下、

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

1. #传入图片地址，文件名，保存单张图片

2. def saveImg(self,imageURL,fileName):

3. u = urllib.urlopen(imageURL)

4. data = u.read()

5. f = open(fileName, 'wb')

6. f.write(data)

7. f.close()

2）写入文本

1. def saveBrief(self,content,name):

2. fileName = name + "/" + name + ".txt"

3. f = open(fileName,"w+")

4. print u"正在偷偷保存她的个人信息为",fileName

5. f.write(content.encode('utf-8'))

3）创建新目录

1. #创建新目录

2. def mkdir(self,path):

3. path = path.strip()

4. # 判断路径是否存在

5. # 存在 True

6. # 不存在 False

7. isExists=os.path.exists(path)

8. # 判断结果

9. if not isExists:

10. # 如果不存在则创建目录

11. # 创建目录操作函数

12. os.makedirs(path)

13. return True

14. else:

15. # 如果目录存在则不创建，并提示目录已存在

16. 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

1. import urllib

2. import urllib2

3. import re

4. import tool

5. import os

6. #抓取MM

7. class Spider:

8. #页面初始化

9. def __init__(self):

10. self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'

11. self.tool = tool.Tool()

12. #获取索引页面的内容

13. def getPage(self,pageIndex):

14. url = self.siteURL + "?page=" + str(pageIndex)

15. request = urllib2.Request(url)

16. response = urllib2.urlopen(request)

17. return response.read().decode('gbk')

18. #获取索引界面所有MM的信息，list格式

19. def getContents(self,pageIndex):

20. page = self.getPage(pageIndex)

21. pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)" rel="external nofollow" rel="external nofollow" .*?)(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)

22. items = re.findall(pattern,page)

23. contents = []

24. for item in items:

25. contents.append([item[0],item[1],item[2],item[3],item[4]])

26. return contents

27. #获取MM个人详情页面

28. def getDetailPage(self,infoURL):

29. response = urllib2.urlopen(infoURL)

30. return response.read().decode('gbk')

31. #获取个人文字简介

32. def getBrief(self,page):

33. pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)

34. result = re.search(pattern,page)

35. return self.tool.replace(result.group(1))

36. #获取页面所有图片

37. def getAllImg(self,page):

38. pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)

39. #个人信息页面所有代码

40. content = re.search(pattern,page)

41. #从代码中提取图片

42. patternImg = re.compile('<img.*?src="(.*?)"',re.S)

43. images = re.findall(patternImg,content.group(1))

44. return images

45. #保存多张写真图片

46. def saveImgs(self,images,name):

47. number = 1

48. print u"发现",name,u"共有",len(images),u"张照片"

49. for imageURL in images:

50. splitPath = imageURL.split('.')

51. fTail = splitPath.pop()

52. if len(fTail) > 3:

53. fTail = "jpg"

54. fileName = name + "/" + str(number) + "." + fTail

55. self.saveImg(imageURL,fileName)

56. number += 1

57. # 保存头像

58. def saveIcon(self,iconURL,name):

59. splitPath = iconURL.split('.')

60. fTail = splitPath.pop()

61. fileName = name + "/icon." + fTail

62. self.saveImg(iconURL,fileName)

63. #保存个人简介

64. def saveBrief(self,content,name):

65. fileName = name + "/" + name + ".txt"

66. f = open(fileName,"w+")

67. print u"正在偷偷保存她的个人信息为",fileName

68. f.write(content.encode('utf-8'))

69. #传入图片地址，文件名，保存单张图片

70. def saveImg(self,imageURL,fileName):

71. u = urllib.urlopen(imageURL)

72. data = u.read()

73. f = open(fileName, 'wb')

74. f.write(data)

75. print u"正在悄悄保存她的一张图片为",fileName

76. f.close()

77. #创建新目录

78. def mkdir(self,path):

79. path = path.strip()

80. # 判断路径是否存在

81. # 存在 True

82. # 不存在 False

83. isExists=os.path.exists(path)

84. # 判断结果

85. if not isExists:

86. # 如果不存在则创建目录

87. print u"偷偷新建了名字叫做",path,u'的文件夹'

88. # 创建目录操作函数

89. os.makedirs(path)

90. return True

91. else:

92. # 如果目录存在则不创建，并提示目录已存在

93. print u"名为",path,'的文件夹已经创建成功'

94. return False

95. #将一页淘宝MM的信息保存起来

96. def savePageInfo(self,pageIndex):

97. #获取第一页淘宝MM列表

98. contents = self.getContents(pageIndex)

99. for item in contents:

100. #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

101. print u"发现一位模特,名字叫",item[2],u"芳龄",item[3],u",她在",item[4]

102. print u"正在偷偷地保存",item[2],"的信息"

103. print u"又意外地发现她的个人地址是",item[0]

104. #个人详情页面的URL

105. detailURL = item[0]

106. #得到个人详情页面代码

107. detailPage = self.getDetailPage(detailURL)

108. #获取个人简介

109. brief = self.getBrief(detailPage)

110. #获取所有图片列表

111. images = self.getAllImg(detailPage)

112. self.mkdir(item[2])

113. #保存个人简介

114. self.saveBrief(brief,item[2])

115. #保存头像

116. self.saveIcon(item[1],item[2])

117. #保存图片

118. self.saveImgs(images,item[2])

119. #传入起止页码，获取MM图片

120. def savePagesInfo(self,start,end):

121. for i in range(start,end+1):

122. print u"正在偷偷寻找第",i,u"个地方，看看MM们在不在"

123. self.savePageInfo(i)

124. #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

125. spider = Spider()

126. spider.savePagesInfo(2,10)

tool.py

1. import re

2. #处理页面标签类

3. class Tool:

4. #去除img标签,1-7位空格,

5. removeImg = re.compile('<img.*?>| {1,7}| ')

6. #删除超链接标签

7. removeAddr = re.compile('<a.*?>|</a>')

8. #把换行的标签换为\n

9. replaceLine = re.compile('<tr>|<div>|</div>|</p>')

10. #将表格制表<td>替换为\t

11. replaceTD= re.compile('<td>')

12. #将换行符或双换行符替换为\n

13. replaceBR = re.compile('<br><br>|<br>')

14. #将其余标签剔除

15. removeExtraTag = re.compile('<.*?>')

16. #将多行空行删除

17. removeNoneLine = re.compile('\n+')

18. def replace(self,x):

19. x = re.sub(self.removeImg,"",x)

20. x = re.sub(self.removeAddr,"",x)

21. x = re.sub(self.replaceLine,"\n",x)

22. x = re.sub(self.replaceTD,"\t",x)

23. x = re.sub(self.replaceBR,"\n",x)

24. x = re.sub(self.removeExtraTag,"",x)

25. x = re.sub(self.removeNoneLine,"\n",x)

26. #strip()将前后多余内容删除

27. 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

到此这篇关于Python爬虫之爬取淘女郎照片示例详解的文章就介绍到这了

学习资料可以在这里参考学习

　　从爬虫到反爬，大咖带你制作翻译神器!

http://www.makeru.com.cn/live/5020_2328.html?s=45051

Python入门系列教程
http://www.makeru.com.cn/course/details/1804.html?s=45051

Python爬虫之万能抓取方式selenium
http://www.makeru.com.cn/live/5020_1766.html?s=45051

爬取豆瓣高分电影
http://www.makeru.com.cn/live/5020_2070.html?s=45051