python爬虫实践(一)
最近在学习爬虫,学完后想实践一下,所以现在准备爬取校花网的一部分图片
第一步,导入需要的库
from urllib import request #用于处理request请求和获得响应 from urllib import error #异常处理 from lxml import etree #用于解析html
第二步,进行简单的身份伪装
def setting_User_Agent(url): ''' 有的网站会限制爬虫访问,所以可以通过 设置User-Agent来伪装成一个浏览器 ''' headers = {} headers['User-Agent'] = 'Mozilla/5.0 (iPad; CPU OS 5_0 like Mac OS X) AppleWebKit/534.46 (KHTML, like Gecko) Version/5.1 Mobile/9A334 Safari/7534.48.3' return request.Request(url, headers=headers)
第三步,观察我们想要访问的网站,并得到前十个页面的url
这是第一页的url:http://www.xiaohuar.com/list-1-0.html
这是第二页的url:http://www.xiaohuar.com/list-1-1.html
这是第四个页面的url:http://www.xiaohuar.com/list-1-3.html
所以我们可以通过一个函数来获得前十页的url
def getPageUrl(): ''' 获得前十页的url ''' url = "http://www.xiaohuar.com/list-1-" pagrUrlList = [] for i in range(10): pageUrl = url + str(i) + ".html" pagrUrlList.append(pageUrl) return pagrUrlList
第四步、假如我们已经知道了一张图片的名称和路径,那我们可以编写代码来实现自动根据路径下载图片,代码如下
def getIMg(name,imgUrl): # 文件的路径和文件名称 name = "D:/xiaohua/" + name + ".jpg" #发送请求并获得响应 try: rsp = request.urlopen(imgUrl) #把文件写进指定路径 with open(name,"wb") as f: f.write(rsp.read()) except: print("发生了一个错误")
第五步、查看网页布局
当进入网页后,按F12或者Fn + F12,会看到如下界面
当你鼠标放在右边的一个div上时,左边页面颜色会发生变化,打开你想要查看的div,一直往下找,直到出现下图
第六步:
1、我们现在知道了,图片信息就在<img>标签下,alt的属性值就是名字,src的属性值就是图片的地址,所以接下来编写代码获取名字和图片地址
2、获得的名字和图片地址传入getImg()函数,代码如下
def getImgUrl(url): # 1、进行User-Agent的伪装 #url = setting_User_Agent(url) #2、发起请求 try: rsp = request.urlopen(url) except: print("发生错误") # 3、返回的是一个Rs类型的数据,需要转化为bytes类型 html = rsp.read() # 4、把bytes类型的数据放入lxml的etree中,方便用xpath解析 tree = etree.HTML(html) # 5、用xpath解析html aList = tree.xpath('//div[@class = "img"]/a') ''' aList = tree.xpath('//div[@class = "img"]/a') 此代码的意思是:首先找到一个有class属性,并且属性值为img 的div标签,再获得该标签下的a标签 ''' # 6 、获得a标签下的img标签的alt属性和src属性,同样用xpath for a in aList: name = str(a.xpath('./img/@alt')) imgUrl = str(a.xpath('./img/@src')) ''' 此时获得的name和imgUrl并不是标准的格式,而是 ['*****************']这样的,所以需要用字符串截取 ''' name = name[2:-2] imgUrl = imgUrl[2:-2] ''' 该网站的图片标准链接是以http开头的,而获取的imgUrl有的缺失了 一部分,所以加一个判断,如果没有,就加上 ''' t = imgUrl[:4] if t == "http": imgUrl = imgUrl else: imgUrl = "http://www.xiaohuar.com" + imgUrl # 通过nema 和 imgUrl下载图片 getIMg(name, imgUrl) return None
现在,该写的差不多已经写完了,把代码整合一下:
if __name__ == '__main__': pageUrls = getPageUrl() for pageUrl in pageUrls: getImg(pageUrl)
代码执行前
执行后
整个爬取过程90秒,爬取了几百张图片,比下载快多了
总结:
我的代码能力和逻辑思维还不够,代码不够简洁,写文件那块做的不好,非常耗费资源,
可改进的地方:
1、相同功能的代码可以提取出来单独写一个函数
2、异常处理没写好,可以处理的更加完善
3、频繁的打开和关闭文件很耗资源,可以在程序开始时打开文件,程序结束时关闭文件
完整的代码如下:
from urllib import request #用于处理request请求和获得响应 from urllib import error #异常处理 from lxml import etree #用于解析html def setting_User_Agent(url): ''' 有的网站会限制爬虫访问,所以可以通过 设置User-Agent来伪装成一个浏览器 ''' headers = {} headers['User-Agent'] = 'Mozilla/5.0 (iPad; CPU OS 5_0 like Mac OS X) AppleWebKit/534.46 (KHTML, like Gecko) Version/5.1 Mobile/9A334 Safari/7534.48.3' return request.Request(url, headers=headers) def getPageUrl(): ''' 获得前十页的url ''' url = "http://www.xiaohuar.com/list-1-" pagrUrlList = [] for i in range(10): pageUrl = url + str(i) + ".html" pagrUrlList.append(pageUrl) return pagrUrlList def getIMg(name,imgUrl):# 根据名字和图片链接下载图片 # 文件的路径和文件名称 name = "D:/xiaohua/" + name + ".jpg" #发送请求并获得响应 try: rsp = request.urlopen(imgUrl) #把文件写进指定路径 with open(name,"wb") as f: f.write(rsp.read()) except: print("发生了一个错误") return None def getImg(url): # 1、进行User-Agent的伪装 url = setting_User_Agent(url) #2、发起请求 try: rsp = request.urlopen(url) except: print("发生错误") # 3、返回的是一个Response类型的数据,需要转化为bytes类型 html = rsp.read() # 4、把bytes类型的数据放入lxml的etree中,方便用xpath解析 tree = etree.HTML(html) # 5、用xpath解析html aList = tree.xpath('//div[@class = "img"]/a') ''' aList = tree.xpath('//div[@class = "img"]/a') 此代码的意思是:首先找到一个有class属性,并且属性值为img 的div标签,再获得该标签下的a标签 ''' # 6 、获得a标签下的img标签的alt属性和src属性,同样用xpath for a in aList: name = str(a.xpath('./img/@alt')) imgUrl = str(a.xpath('./img/@src')) ''' 此时获得的name和imgUrl并不是标准的格式,而是 ['*****************']这样的,所以需要用字符串截取 ''' name = name[2:-2] imgUrl = imgUrl[2:-2] ''' 该网站的图片标准链接是以http开头的,而获取的imgUrl有的缺失了 一部分,所以加一个判断,如果没有,就加上 ''' t = imgUrl[:4] if t == "http": imgUrl = imgUrl else: imgUrl = "http://www.xiaohuar.com" + imgUrl # 通过nema 和 imgUrl下载图片 getIMg(name, imgUrl) return None if __name__ == '__main__': pageUrls = getPageUrl() for pageUrl in pageUrls: getImg(pageUrl)
python爬虫实践(一)的更多相关文章
- python爬虫实践教学
i春秋作家:Mochazz 一.前言 这篇文章之前是给新人培训时用的,大家觉的挺好理解的,所以就分享出来,与大家一起学习.如果你学过一些python,想用它做些什么又没有方向,不妨试试完成下面几个案例 ...
- python爬虫实践
模拟登陆与文件下载 爬取http://moodle.tipdm.com上面的视频并下载 模拟登陆 由于泰迪杯网站问题,测试之后发现无法用正常的账号密码登陆,这里会使用访客账号登陆. 我们先打开泰迪杯的 ...
- Python爬虫实践 -- 记录我的第二只爬虫
1.爬虫基本原理 我们爬取中国电影最受欢迎的影片<红海行动>的相关信息.其实,爬虫获取网页信息和人工获取信息,原理基本是一致的. 人工操作步骤: 1. 获取电影信息的页面 2. 定位(找到 ...
- python爬虫实践(二)——爬取张艺谋导演的电影《影》的豆瓣影评并进行简单分析
学了爬虫之后,都只是爬取一些简单的小页面,觉得没意思,所以我现在准备爬取一下豆瓣上张艺谋导演的“影”的短评,存入数据库,并进行简单的分析和数据可视化,因为用到的只是比较多,所以写一篇博客当做笔记. 第 ...
- Python爬虫实践 -- 记录我的第一只爬虫
一.环境配置 1. 下载安装 python3 .(或者安装 Anaconda) 2. 安装requests和lxml 进入到 pip 目录,CMD --> C:\Python\Scripts,输 ...
- 《转载》python爬虫实践之模拟登录
有些网站设置了权限,只有在登录了之后才能爬取网站的内容,如何模拟登录,目前的方法主要是利用浏览器cookie模拟登录. 浏览器访问服务器的过程 在用户访问网页时,不论是通过URL输入域名或IP ...
- python爬虫实践--求职Top10城市
前言 从智联招聘爬取相关信息后,我们关心的是如何对内容进行分析,获取用用的信息.本次以上篇文章“5分钟掌握智联招聘网站爬取并保存到MongoDB数据库”中爬取的数据为基础,分析关键词为“python” ...
- Python爬虫实践~BeautifulSoup+urllib+Flask实现静态网页的爬取
爬取的网站类型: 论坛类网站类型 涉及主要的第三方模块: BeautifulSoup:解析.遍历页面 urllib:处理URL请求 Flask:简易的WEB框架 介绍: 本次主要使用urllib获取网 ...
- python爬虫实践——爬取“梨视频”
一.爬虫的基本过程: 1.发送请求(请求库:request,selenium) 2.获取响应数据()服务器返回 3.解析并提取数据(解析库:re,BeautifulSoup,Xpath) 4.保存数据 ...
随机推荐
- 要求必须全部重复的数据sql--想了半天才写出来的
CREATE TABLE [dbo].[ABC]( ) NULL, ) NULL, ) NULL, ) NULL ) ON [PRIMARY] GO --DELETE FROM [dbo].[ABC] ...
- Thrax-构建基于语法的语言模型工具
安装 http://www.openfst.org/twiki/bin/view/GRM/ThraxQuickTour http://cslu.ogi.edu/~sproatr/Courses/Tex ...
- Python3 指定文件夹下所有文件(包括子目录下的文件)拷贝到目标文件夹下
#!/usr/bin/env python3 # -*- coding:utf8 -*- # @TIME :2018/9/17 9:02 # @Author:dazhan # @File :copyf ...
- 最小生成树--克鲁斯卡尔算法(Kruskal)
按照惯例,接下来是本篇目录: $1 什么是最小生成树? $2 什么是克鲁斯卡尔算法? $3 克鲁斯卡尔算法的例题 摘要:本片讲的是最小生成树中的玄学算法--克鲁斯卡尔算法,然后就没有然后了. $1 什 ...
- 2018-2019-2 20165325《网络对抗技术》Exp0 Kali安装 Week1
2018-2019-2 20165325<网络对抗技术>Exp0 Kali安装 Week1 一.安装kali VMware上学期已经有了,主要是下载Kali-Linux-2019.1-vm ...
- 20175204 张湲祯 2018-2019-2《Java程序设计》第九周学习总结
20175204 张湲祯 2018-2019-2<Java程序设计>第九周学习总结 教材学习内容总结 -第十一章JDBC和MySQL数据库要点: 1.下载MySQL和客户端管理工具navi ...
- 吴恩达《机器学习》课程笔记——第六章:Matlab/Octave教程
上一篇 ※※※※※※※※ [回到目录] ※※※※※※※※ 下一篇 这一章的内容比较简单,主要是MATLAB的一些基础教程,如果之前没有学过matlab建议直接找一本相关书籍,边做边学,matl ...
- Appnium-API-Status
Status Java:// TODO Python:selenium.webdriver.common.utils.is_url_connectable(port) Description Retu ...
- Linux initramfs说明
1.前言 最近在尝试对手头的开发板进行移植,此处记录initramfs挂载的基本流程,记录一下,以备后查.分析时是基于linux3.4.2 2. rootfs的挂载 start_kernel-> ...
- EntityFramework6之原生SQL
原文:https://www.cnblogs.com/wujingtao/p/5412329.html 用EF执行SQL又比ADO.NET方便,特别是在执行查询语句的时候,EF会把查询到的数据自动保存 ...