溫馨提示×

溫馨提示×

您好，登錄后才能下訂單哦！

密碼登錄×
登錄注冊×
其他方式登錄
點擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》

Python如何爬取淘女郎照片

發(fā)布時間：2020-07-30 10:05:30 來源：億速云 閱讀：169 作者：小豬 欄目：開發(fā)技術(shù)

這篇文章主要講解了Python如何爬取淘女郎照片，內(nèi)容清晰明了，對此有興趣的小伙伴可以學(xué)習(xí)一下，相信大家閱讀完之后會有幫助。

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

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".*&#63;pic-word.*&#63;<a href="(.*&#63;)" rel="external nofollow" rel="external nofollow" .*&#63;![]((.*&#63;))(.*&#63;)</a>.*&#63;<strong>(.*&#63;)</strong>.*&#63;<span>(.*&#63;)</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

Python如何爬取淘女郎照片

3.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

4.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

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 + "&#63;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".*&#63;pic-word.*&#63;<a href="(.*&#63;)" rel="external nofollow" rel="external nofollow" .*&#63;![]((.*&#63;))(.*&#63;)</a>.*&#63;<strong>(.*&#63;)</strong>.*&#63;<span>(.*&#63;)</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".*&#63;>(.*&#63;)<!--',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".*&#63;>(.*&#63;)<!--',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.*&#63;src="(.*&#63;)"',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

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.*&#63;>| {1,7}| ')
  #刪除超鏈接標(biāo)簽
  removeAddr = re.compile('<a.*&#63;>|</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('<.*&#63;>')
  #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

Python如何爬取淘女郎照片

Python如何爬取淘女郎照片

看完上述內(nèi)容，是不是對Python如何爬取淘女郎照片有進一步的了解，如果還想學(xué)習(xí)更多內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道。

向AI問一下細(xì)節(jié)

免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權(quán)內(nèi)容。

AI
助
手