抓取淘寶MM的方法

這篇文章主要介紹抓取淘寶MM的方法，文中介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們一定要看完！

本篇目標(biāo)

1.抓取淘寶MM的姓名，頭像，年齡

2.抓取每一個MM的資料簡介以及寫真圖片

3.把每一個MM的寫真圖片按照文件夾保存到本地

4.熟悉文件保存的過程

1.URL的格式

在這里我們用到的URL是 http://mm.taobao.com/json/request_top_list.htm?page=1，問號前面是基地址，后面的參數(shù)page是代表第幾頁，可以隨意更換地址。點擊開之后，會發(fā)現(xiàn)有一些淘寶MM的簡介，并附有超鏈接鏈接到個人詳情頁面。

我們需要抓取本頁面的頭像地址，MM姓名，MM年齡，MM居住地，以及MM的個人詳情頁面地址。

2.抓取簡要信息

相信大家經(jīng)過上幾次的實戰(zhàn)，對抓取和提取頁面的地址已經(jīng)非常熟悉了，這里沒有什么難度了，我們首先抓取本頁面的MM詳情頁面地址，姓名，年齡等等的信息打印出來，直接貼代碼如下

__author__ = 'CQC'
# -*- coding:utf-8 -*-
 
import urllib
import urllib2
import re
 
class Spider:
 
    def __init__(self):
        self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'
 
    def getPage(self,pageIndex):
        url = self.siteURL + "?page=" + str(pageIndex)
        print url
        request = urllib2.Request(url)
        response = urllib2.urlopen(request)
        return response.read().decode('gbk')
 
    def getContents(self,pageIndex):
        page = self.getPage(pageIndex)
        pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a 
        class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)
        items = re.findall(pattern,page)
        for item in items:
            print item[0],item[1],item[2],item[3],item[4]
 
spider = Spider()
spider.getContents(1)

運行結(jié)果如下：

 2.文件寫入簡介

在這里，我們有寫入圖片和寫入文本兩種方式

1）寫入圖片

#傳入圖片地址，文件名，保存單張圖片
def saveImg(self,imageURL,fileName):
     u = urllib.urlopen(imageURL)
     data = u.read()
     f = open(fileName, 'wb')
     f.write(data)
     f.close()

2）寫入文本

def saveBrief(self,content,name):
    fileName = name + "/" + name + ".txt"
    f = open(fileName,"w+")
    print u"正在偷偷保存她的個人信息為",fileName
    f.write(content.encode('utf-8'))

3）創(chuàng)建新目錄

#創(chuàng)建新目錄
def mkdir(self,path):
    path = path.strip()
    # 判斷路徑是否存在
    # 存在     True
    # 不存在   False
    isExists=os.path.exists(path)
    # 判斷結(jié)果
    if not isExists:
        # 如果不存在則創(chuàng)建目錄
        # 創(chuàng)建目錄操作函數(shù)
        os.makedirs(path)
        return True
    else:
        # 如果目錄存在則不創(chuàng)建，并提示目錄已存在
        return False

3.代碼完善

主要的知識點已經(jīng)在前面都涉及到了，如果大家前面的章節(jié)都已經(jīng)看了，完成這個爬蟲不在話下，具體的詳情在此不再贅述，直接帖代碼啦。

spider.py

__author__ = 'CQC'
# -*- coding:utf-8 -*-
 
import urllib
import urllib2
import re
import tool
import os
 
#抓取MM
class Spider:
 
    #頁面初始化
    def __init__(self):
        self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'
        self.tool = tool.Tool()
 
    #獲取索引頁面的內(nèi)容
    def getPage(self,pageIndex):
        url = self.siteURL + "?page=" + str(pageIndex)
        request = urllib2.Request(url)
        response = urllib2.urlopen(request)
        return response.read().decode('gbk')
 
    #獲取索引界面所有MM的信息，list格式
    def getContents(self,pageIndex):
        page = self.getPage(pageIndex)
        pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a 
        class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)
        items = re.findall(pattern,page)
        contents = []
        for item in items:
            contents.append([item[0],item[1],item[2],item[3],item[4]])
        return contents
 
    #獲取MM個人詳情頁面
    def getDetailPage(self,infoURL):
        response = urllib2.urlopen(infoURL)
        return response.read().decode('gbk')
 
    #獲取個人文字簡介
    def getBrief(self,page):
        pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)
        result = re.search(pattern,page)
        return self.tool.replace(result.group(1))
 
    #獲取頁面所有圖片
    def getAllImg(self,page):
        pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)
        #個人信息頁面所有代碼
        content = re.search(pattern,page)
        #從代碼中提取圖片
        patternImg = re.compile('<img.*?src="(.*?)"',re.S)
        images = re.findall(patternImg,content.group(1))
        return images
 
 
    #保存多張寫真圖片
    def saveImgs(self,images,name):
        number = 1
        print u"發(fā)現(xiàn)",name,u"共有",len(images),u"張照片"
        for imageURL in images:
            splitPath = imageURL.split('.')
            fTail = splitPath.pop()
            if len(fTail) > 3:
                fTail = "jpg"
            fileName = name + "/" + str(number) + "." + fTail
            self.saveImg(imageURL,fileName)
            number += 1
 
    # 保存頭像
    def saveIcon(self,iconURL,name):
        splitPath = iconURL.split('.')
        fTail = splitPath.pop()
        fileName = name + "/icon." + fTail
        self.saveImg(iconURL,fileName)
 
    #保存?zhèn)€人簡介
    def saveBrief(self,content,name):
        fileName = name + "/" + name + ".txt"
        f = open(fileName,"w+")
        print u"正在偷偷保存她的個人信息為",fileName
        f.write(content.encode('utf-8'))
 
 
    #傳入圖片地址，文件名，保存單張圖片
    def saveImg(self,imageURL,fileName):
         u = urllib.urlopen(imageURL)
         data = u.read()
         f = open(fileName, 'wb')
         f.write(data)
         print u"正在悄悄保存她的一張圖片為",fileName
         f.close()
 
    #創(chuàng)建新目錄
    def mkdir(self,path):
        path = path.strip()
        # 判斷路徑是否存在
        # 存在     True
        # 不存在   False
        isExists=os.path.exists(path)
        # 判斷結(jié)果
        if not isExists:
            # 如果不存在則創(chuàng)建目錄
            print u"偷偷新建了名字叫做",path,u'的文件夾'
            # 創(chuàng)建目錄操作函數(shù)
            os.makedirs(path)
            return True
        else:
            # 如果目錄存在則不創(chuàng)建，并提示目錄已存在
            print u"名為",path,'的文件夾已經(jīng)創(chuàng)建成功'
            return False
 
    #將一頁淘寶MM的信息保存起來
    def savePageInfo(self,pageIndex):
        #獲取第一頁淘寶MM列表
        contents = self.getContents(pageIndex)
        for item in contents:
            #item[0]個人詳情URL,item[1]頭像URL,item[2]姓名,item[3]年齡,item[4]居住地
            print u"發(fā)現(xiàn)一位模特,名字叫",item[2],u"芳齡",item[3],u",她在",item[4]
            print u"正在偷偷地保存",item[2],"的信息"
            print u"又意外地發(fā)現(xiàn)她的個人地址是",item[0]
            #個人詳情頁面的URL
            detailURL = item[0]
            #得到個人詳情頁面代碼
            detailPage = self.getDetailPage(detailURL)
            #獲取個人簡介
            brief = self.getBrief(detailPage)
            #獲取所有圖片列表
            images = self.getAllImg(detailPage)
            self.mkdir(item[2])
            #保存?zhèn)€人簡介
            self.saveBrief(brief,item[2])
            #保存頭像
            self.saveIcon(item[1],item[2])
            #保存圖片
            self.saveImgs(images,item[2])
 
    #傳入起止頁碼，獲取MM圖片
    def savePagesInfo(self,start,end):
        for i in range(start,end+1):
            print u"正在偷偷尋找第",i,u"個地方，看看MM們在不在"
            self.savePageInfo(i)
 
 
#傳入起止頁碼即可，在此傳入了2,10,表示抓取第2到10頁的MM
spider = Spider()
spider.savePagesInfo(2,10)

tool.py

__author__ = 'CQC'
#-*- coding:utf-8 -*-
import re
 
#處理頁面標(biāo)簽類
class Tool:
    #去除img標(biāo)簽,1-7位空格, 
    removeImg = re.compile('<img.*?>| {1,7}|&nbsp;')
    #刪除超鏈接標(biāo)簽
    removeAddr = re.compile('<a.*?>|</a>')
    #把換行的標(biāo)簽換為\n
    replaceLine = re.compile('<tr>|<div>|</div>|</p>')
    #將表格制表<td>替換為\t
    replaceTD= re.compile('<td>')
    #將換行符或雙換行符替換為\n
    replaceBR = re.compile('<br><br>|<br>')
    #將其余標(biāo)簽剔除
    removeExtraTag = re.compile('<.*?>')
    #將多行空行刪除
    removeNoneLine = re.compile('\n+')
    def replace(self,x):
        x = re.sub(self.removeImg,"",x)
        x = re.sub(self.removeAddr,"",x)
        x = re.sub(self.replaceLine,"\n",x)
        x = re.sub(self.replaceTD,"\t",x)
        x = re.sub(self.replaceBR,"\n",x)
        x = re.sub(self.removeExtraTag,"",x)
        x = re.sub(self.removeNoneLine,"\n",x)
        #strip()將前后多余內(nèi)容刪除
        return x.strip()

以上兩個文件就是所有的代碼內(nèi)容，運行一下試試看，那叫一個酸爽啊

看看文件夾里面有什么變化

不知不覺，海量的MM圖片已經(jīng)進(jìn)入了你的電腦，還不快快去試試看?。?/p>

以上是抓取淘寶MM的方法的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注億速云行業(yè)資訊頻道！