Python网络爬虫（6）--爬取淘宝模特图片

经过前面的一些基础学习，我们大致知道了如何爬取并解析一个网页中的信息，这里我们来做一个更有意思的事情，爬取MM图片并保存。网址为https://mm.taobao.com/json/request_top_list.htm。这个网址有很多页，通过在网址后添加？page=页码来进入指定的页。

为了爬取模特的图片，我们首先要找到各个模特自己的页面。通过查看网页源码，我们可以发现，模特各自的页面的特点如下：

我们可以通过查找class属性为lady-name的标签，然后取其href属性来获取各个模特各自的页面地址。

 html = urlopen(url)
 bs = BeautifulSoup(html.read().decode('gbk'),"html.parser")
 girls = bs.findAll("a",{"class":"lady-name"})
 for item in girls:
     linkurl = item.get('href')

继续分析模特各自的页面的特点，模特页面打开后的页面布局如下：

在这个页面中我们要提取的是模特的个性域名，这个域名打开后，里面就有模特的图片了。那么我们的关键问题就是如何提取这个域名。按我们之前的学习，我们会去查找这个标签，但是我们打开网页源码会发现网页源码里面并没有包含这个信息。这是因为这一部分的信息是用JS动态生成的。那么这种情况下我们怎么办呢？

答案是使用selenium和PhantomJS，相关的概念可以自行百度。简而言之，PhantomJS是一个无界面的浏览器，而selenium是一个测试浏览器的工具，结合这2者，我们就可以解析动态的页面了。

获取模特的个性域名的代码如下：

 def getUrls(url):
     driver= webdriver.PhantomJS()
     html = urlopen(url)
     bs = BeautifulSoup(html.read().decode('gbk'),"html.parser")
     girls = bs.findAll("a",{"class":"lady-name"})
     namewithurl = {}
     for item in girls:
         linkurl = item.get('href')
         driver.get("https:"+linkurl)
         bs1 = BeautifulSoup(driver.page_source,"html.parser")
         links = bs1.find("div",{"class":"mm-p-info mm-p-domain-info"})
         if links is not None:
             links = links.li.span.get_text()
             namewithurl[item.get_text()] = links
             print(links)
     return namewithurl

在这里，我们使用PhantomJs去加载动态的页面，然后用BeautifulSoup去规则化加载后的页面，接下来的工作就与普通的网页相同了。

接下来分析模特的个人主页的特点，直观上是这样的页面：

分析源码后我们会发现，模特的图片地址可以这样获取：

 html = urlopen(personurl)
 bs = BeautifulSoup(html.read().decode('gbk'),"html.parser")
 contents = bs.find("div",{"class":"mm-aixiu-content"})
 imgs = contents.findAll("img",{"src":re.compile(r'//img\.alicdn\.com/.*\.jpg')})

如此我们就能获取模特的个人域名地址中的图片了，接下来的问题就是如何保存图片了。

我们可以用urllib中的urlretrieve函数来完成保存的工作。

用法为urlretrieve(imgurl, savepath)

再加入多线程等代码，完整的爬虫代码为：

 #coding = utf-8
 from urllib.request import urlopen
 from urllib.request import urlretrieve
 from urllib.error import HTTPError
 from selenium import webdriver
 from selenium.webdriver.common.by import By
 from bs4 import BeautifulSoup
 from multiprocessing.dummy import Pool as ThreadPool
 import sys,os
 import re

 savepath=r".\save"

 def mkdir(path):
     if os.path.exists(path):
         return
     os.mkdir(path)

 def getUrls(url):
     driver= webdriver.PhantomJS()
     html = urlopen(url)
     bs = BeautifulSoup(html.read().decode('gbk'),"html.parser")
     girls = bs.findAll("a",{"class":"lady-name"})
     namewithurl = {}
     for item in girls:
         linkurl = item.get('href')
         driver.get("https:"+linkurl)
         bs1 = BeautifulSoup(driver.page_source,"html.parser")
         links = bs1.find("div",{"class":"mm-p-info mm-p-domain-info"})
         if links is not None:
             links = links.li.span.get_text()
             namewithurl[item.get_text()] = links
             print(links)
     return namewithurl

 def getImgs(parms):
     personname = parms[0]
     personurl = "https:"+parms[1]
     html = urlopen(personurl)
     bs = BeautifulSoup(html.read().decode('gbk'),"html.parser")
     contents = bs.find("div",{"class":"mm-aixiu-content"})
     imgs = contents.findAll("img",{"src":re.compile(r'//img\.alicdn\.com/.*\.jpg')})
     savefilename = os.path.join(savepath,personname)
     mkdir(savefilename)
     print("img num :",len(imgs))
     cnt = 0
     for img in imgs:
         try:
             urlretrieve(url = "https:"+img.get("src"),filename =os.path.join(savefilename,str(cnt)+".jpg"))
             cnt+=1
         except HTTPError as e:
             continue

 if __name__ == "__main__":
     mkdir(savepath)
     pagenum = 10
     for i in range(1,pagenum):
         urls = getUrls("https://mm.taobao.com/json/request_top_list.htm"+"?page="+str(i))
         pool = ThreadPool(4)
         pool.map(getImgs,urls.items())
         pool.close()
         pool.join()
         # for (k,v) in urls.items():
         #     getImgs((k,v))

代码下载地址：

https://github.com/HaoLiuHust/Spider

运行结果如下：