孤荷凌寒自学python第八十二天学习爬取图片2

孤荷凌寒自学python第八十二天学习爬取图片2

（完整学习过程屏幕记录视频地址在文末）

今天在昨天基本尝试成功的基础上，继续完善了文字和图片的同时爬取并存放在word文档中。

一、我准备爬取一个有文字也有图片的博客页面

https://www.cnblogs.com/forever-snow/p/8506746.html

二、具体代码

```

import requests

from bs4 import BeautifulSoup

import re

import datetime

import pymongo

import os

from contextlib import closing

from docx.shared import RGBColor #将三个数值生成色彩对象

import _mty

import _mf

import _mbs4

import _mmongo

import _mre

import _mdb

import _mword

import _mrequests

intc=0

def msgbox(info,titletext='孤荷凌寒的DB模块对话框QQ578652607',style=0,isShowErrMsg=False):

return _mty.msgboxGhlh(info,titletext,style,isShowErrMsg)

#定义一个读取完成单个博客园页面的函数

def getapage(strurl,strsavepath,strsavefile):

os.makedirs(strsavepath, exist_ok=True)

doc=_mword.newDocX(strsavepath +
strsavefile)

doc.add_paragraph(strurl)

header={

'accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',

'accept-encoding':'gzip,
deflate, br',

'accept-language':'zh-CN,zh;q=0.9',

'cache-control':'max-age=0',

'cookie':'__gads=ID=40b6d57596e7429a:T=1538208840:S=ALNI_MbWvfR21-XDCnnRMC6w1ipz5pL1hw;
_ga=GA1.2.1676220267.1545396991;
UM_distinctid=16813a77ccd322-03ef758a8d4e-3c604504-144000-16813a77cce8fa;
CNZZDATA1256907=cnzz_eid%3D1198885933-1546517969-%26ntime%3D1546518138;
CNZZDATA1257640778=1118534197-1547552369-https%253A%252F%252Fwww.baidu.com%252F%7C1547607403;
_gid=GA1.2.1292942896.1547814253',

'referer':'https://www.baidu.com/link?url=qbb-FNVuosS5gMXV4E6kyu5UdwHX8ywZFIRl0iHiHm-yiTe8Lr5quxi7vcCXAS1yonIvrk58Sagt0tNVIsZDeK&wd=&eqid=c2293eaa0002eede000000055c42f402',

'upgrade-insecure-requests':'1',

'user-agent':'Mozilla/5.0
(Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132
Safari/537.36'

}

r=requests.get(strurl,headers=header)

r.raise_for_status() #raise异常自动抛出，如果读取的Url服务器端返回400或500及后的错误，那么，则会抛出异常后，不再向后执行

r.encoding='utf-8'

bs=BeautifulSoup(r.text,'lxml')

htmldiv=bs.select('#cnblogs_post_body')[0]

#htmldiv=htmldiv.parent

#msgbox(str(type(htmldiv)))

for m,i in enumerate(list(htmldiv.find_all(['p','div']))):

strcontent=i.get_text()

_mword.addPToDocx(doc,strcontent)

imgs=i.find_all('img')

for k,j in enumerate(list(imgs)):

strpicurl=j['src']

lsttemp=strpicurl.split('.')

strhouzui='.' +
lsttemp[-1]

strpicfilenm=strsavepath + '%d03' %m + '%d03' %k +
strhouzui

try:

_mrequests.downloadPicGhlhStream(strpicurl,header,strpicfilenm)

doc.add_picture(strpicfilenm)

except:

pass

doc.save(strsavepath + strsavefile)

#downloadpicfirst()

getapage('https://www.cnblogs.com/forever-snow/p/8506746.html','I:\\MAKEAPP\\python\\Python365\\边学习边测试文件夹\\自学PYTHON部分\\0082第八十二天同时将图片和文字爬取下来2\\docs\\','001.docx')

```

三、对昨天处理图片的方法进行了封装:

【_mrequest.py】

```

import
requests

from bs4 import
BeautifulSoup

import re

import
datetime

from
contextlib import closing

import _mty

import _mf

import _mbs4

import _mre

mrequestsErrString='' #供其它模块使用的全局变量了，实时保存了各函数执行时的错误信息

def msgbox(info,titletext='孤荷凌寒的requests模块对话框QQ578652607',style=0,isShowErrMsg=False):

return
_mty.msgboxGhlh(info,titletext,style,isShowErrMsg)

#使用content的写法，速度要慢得多

def downLoadPicGhlhContent(strpicurl,header,strsavefile,isShowMsg=False):

try:

r=requests.get(strpicurl,headers=header)

r.raise_for_status() #raise异常自动抛出，如果读取的Url服务器端返回400或500及后的错误，那么，则会抛出异常后，不再向后执行

#下一句指定了读取网页时要使用的编码格式

r.encoding=r.apparent_encoding #requests的返回结果对象里有个apparent_encoding函数, apparent_encoding通过调用chardet.detect()来识别文本编码. 但是需要注意的是，这有些消耗计算资源.

#r.encoding='utf-8'

with open(strsavefile,'wb') as f:

f.write(r.content) #content属性与text属性不同

#---------------------------------------------

except Exception as e:

mrequestsErrString='通过读取图片content方式写入本地下载图片时出错:' + str(e) + '\n此函数由【孤荷凌寒】创建,QQ578652607'

if
isShowMsg==True:

msgbox(mrequestsErrString)

return None

else:

pass

finally:

pass

#使用流模式的写法，速度快得多

def downloadPicGhlhStream(strpicurl,header,strsavefile,isShowMsg=False):

try:

r=requests.get(strpicurl,headers=header,stream=True)

r.raise_for_status() #raise异常自动抛出，如果读取的Url服务器端返回400或500及后的错误，那么，则会抛出异常后，不再向后执行

#流模式不需要指定编码格式

#下一行用意在于，在写完流之后，自动关闭流

with
closing(requests.get(strpicurl,headers=header,stream=True)) as r:

with open(strsavefile,'wb') as f:

#将流分成n个部分写入，每个部分分成128字节

for chunk in
r.iter_content(128):  #这一句vscode报错，但是假的报错

f.write(chunk)

except Exception as e:

mrequestsErrString='通过读取图片 数据流  方式写入本地下载图片时出错:' + str(e) + '\n此函数由【孤荷凌寒】创建,QQ578652607'

if
isShowMsg==True:

msgbox(mrequestsErrString)

return None

else:

pass

finally:

pass

```

四、一些发现

html标签对象的children属性并不能返回所有子级对象，还得使用find_all方法才行。

最开始我使用:

htmldiv.children

没有成功，后来改为：

htmldiv.find_all(['p','div'])

——————————

今天整理的学习笔记完成，最后例行说明下我的自学思路：

根据过去多年我自学各种编程语言的经历，认为只有真正体验式，解决实际问题式的学习才会有真正的效果，即让学习实际发生。在2004年的时候我开始在一个乡村小学自学电脑 并学习vb6编程语言，没有学习同伴，也没有高师在上，甚至电脑都是孤岛（乡村那时还没有网络），有的只是一本旧书，在痛苦的自学摸索中，我找到适应自己零基础的学习方法：首先是每读书的一小节就作相应的手写笔记，第二步就是上机测试每一个笔记内容是否实现，其中会发现书中讲的其实有出入或错误，第三步就是在上机测试之后，将笔记改为电子版，形成最终的修订好的正确无误的学习笔记
。

通过反复尝试错误，在那个没有分享与交流的黑暗时期我摸黑学会了VB6，尔后接触了其它语言，也曾听过付费视频课程，结果发现也许自己学历果然太低，就算是零基础的入门课程，其实也难以跟上进度，讲师的教学多数出现对初学者的实际情况并不了解的情况，况且学习者的个体也存在差异呢？当然更可怕的是收费课程的价格往往是自己难以承受的。

于是我的所有编程学习都改为了自学，继续自己的三步学习笔记法的学习之路。

当然自学的最大问题是会走那么多的弯路，没有导师直接输入式的教学来得直接，好在网络给我们带来无限搜索的机会，大家在网络上的学习日志带给我们共享交流的机会，而QQ群等交流平台、网络社区的成立，我们可以一起自学，互相批评交流，也可以获得更有效，更自主的自学成果。

于是我以人生已过半的年龄，决定继续我的编程自学之路，开始学习python，只希望与大家共同交流，一个人的独行是可怕的，只有一群人的共同前进才是有希望的。

诚挚期待您的交流分享批评指点！欢迎联系我加入从零开始的自学联盟。

这个时代互联网成为了一种基础设施的存在，于是本来在孤独学习之路上的我们变得不再孤独，因为网络就是一个新的客厅，我们时刻都可以进行沙龙活动。

非常乐意能与大家一起交流自己自学心得和发现，更希望大家能够对我学习过程中的错误给予指点——是的，这样我就能有许多免费的高师了——这也是分享时代，社区时代带来的好福利，我相信大家会的，是吧！

根据完全共享的精神，开源互助的理念，我的个人自学录制过程是全部按4K高清视频录制的,从手写笔记到验证手写笔记的上机操作过程全程录制，但因为4K高清文件太大均超过5G以上，所以无法上传至网络，如有需要可联系我QQ578652607对传，乐意分享。上传分享到百度网盘的只是压缩后的720P的视频。

我的学习过程录像百度盘地址分享如下：（清晰度：1280x720）

链接：https://pan.baidu.com/s/1yC6d_VJ8dbSD1mwsRmCvcQ

提取码：1s5m

Bilibili:

https://www.bilibili.com/video/av41236139/

喜马拉雅语音笔记：

https://www.ximalaya.com/keji/19103006/156310726