当前位置： 移动技术网 > IT编程>脚本编程>Python > Python爬虫实战之抓取淘宝MM照片

Python爬虫实战之抓取淘宝MM照片

2019年08月08日  | 移动技术网IT编程  | 我要评论

重庆市教师资格证网,4444kkkcon,hd7370

本篇目标

1.抓取淘宝mm的姓名，头像，年龄

2.抓取每一个mm的资料简介以及写真图片

3.把每一个mm的写真图片按照文件夹保存到本地

4.熟悉文件保存的过程

1.url的格式

在这里我们用到的url是 http://mm.taobao.com/json/request_top_list.htm?page=1，问号前面是基地址，后面的参数page是代表第几页，可以随意更换地址。点击开之后，会发现有一些淘宝mm的简介，并附有超链接链接到个人详情页面。

我们需要抓取本页面的头像地址，mm姓名，mm年龄，mm居住地，以及mm的个人详情页面地址。

2.抓取简要信息

相信大家经过上几次的实战，对抓取和提取页面的地址已经非常熟悉了，这里没有什么难度了，我们首先抓取本页面的mm详情页面地址，姓名，年龄等等的信息打印出来，直接贴代码如下

 1 '''
 2 在学习过程中有什么不懂得可以加我的
 3 python学习交流扣扣qun，934109170
 4 群里有不错的学习教程、开发工具与电子书籍。
 5 与你分享python企业当下人才需求及怎么从零基础学习好python，和学习什么内容。
 6 ''' 
 7 __author__ = 'cqc'
 8 # -*- coding:utf-8 -*-
 9  
10 import urllib
11 import urllib2
12 import re
13  
14 class spider:
15  
16     def __init__(self):
17         self.siteurl = 'http://mm.taobao.com/json/request_top_list.htm'
18  
19     def getpage(self,pageindex):
20         url = self.siteurl + "?page=" + str(pageindex)
21         print url
22         request = urllib2.request(url)
23         response = urllib2.urlopen(request)
24         return response.read().decode('gbk')
25  
26     def getcontents(self,pageindex):
27         page = self.getpage(pageindex)
28         pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.s)
29         items = re.findall(pattern,page)
30         for item in items:
31             print item[0],item[1],item[2],item[3],item[4]
32  
33 spider = spider()
34 spider.getcontents(1)

运行结果如下

 

 2.文件写入简介

在这里，我们有写入图片和写入文本两种方式

1）写入图片

1  
2 #传入图片地址，文件名，保存单张图片
3 def saveimg(self,imageurl,filename):
4      u = urllib.urlopen(imageurl)
5      data = u.read()
6      f = open(filename, 'wb')
7      f.write(data)
8      f.close()

2）写入文本

1 def savebrief(self,content,name):
2 filename = name + "/" + name + ".txt"
3 f = open(filename,"w+")
4 print u"正在偷偷保存她的个人信息为",filename
5 f.write(content.encode('utf-8'))

3）创建新目录

 1  
 2 #创建新目录
 3 def mkdir(self,path):
 4     path = path.strip()
 5     # 判断路径是否存在
 6     # 存在     true
 7     # 不存在   false
 8     isexists=os.path.exists(path)
 9     # 判断结果
10     if not isexists:
11         # 如果不存在则创建目录
12         # 创建目录操作函数
13         os.makedirs(path)
14         return true
15     else:
16         # 如果目录存在则不创建，并提示目录已存在
17         return false

3.代码完善

主要的知识点已经在前面都涉及到了，如果大家前面的章节都已经看了，完成这个爬虫不在话下，具体的详情在此不再赘述，直接帖代码啦。

  1  
  2 __author__ = 'cqc'
  3 # -*- coding:utf-8 -*-
  4  
  5 import urllib
  6 import urllib2
  7 import re
  8 import tool
  9 import os
 10  
 11 #抓取mm
 12 class spider:
 13  
 14     #页面初始化
 15     def __init__(self):
 16         self.siteurl = 'http://mm.taobao.com/json/request_top_list.htm'
 17         self.tool = tool.tool()
 18  
 19     #获取索引页面的内容
 20     def getpage(self,pageindex):
 21         url = self.siteurl + "?page=" + str(pageindex)
 22         request = urllib2.request(url)
 23         response = urllib2.urlopen(request)
 24         return response.read().decode('gbk')
 25  
 26     #获取索引界面所有mm的信息，list格式
 27     def getcontents(self,pageindex):
 28         page = self.getpage(pageindex)
 29         pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.s)
 30         items = re.findall(pattern,page)
 31         contents = []
 32         for item in items:
 33             contents.append([item[0],item[1],item[2],item[3],item[4]])
 34         return contents
 35  
 36     #获取mm个人详情页面
 37     def getdetailpage(self,infourl):
 38         response = urllib2.urlopen(infourl)
 39         return response.read().decode('gbk')
 40  
 41     #获取个人文字简介
 42     def getbrief(self,page):
 43         pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.s)
 44         result = re.search(pattern,page)
 45         return self.tool.replace(result.group(1))
 46  
 47     #获取页面所有图片
 48     def getallimg(self,page):
 49         pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.s)
 50         #个人信息页面所有代码
 51         content = re.search(pattern,page)
 52         #从代码中提取图片
 53         patternimg = re.compile('<img.*?src="(.*?)"',re.s)
 54         images = re.findall(patternimg,content.group(1))
 55         return images
 56  
 57  
 58     #保存多张写真图片
 59     def saveimgs(self,images,name):
 60         number = 1
 61         print u"发现",name,u"共有",len(images),u"张照片"
 62         for imageurl in images:
 63             splitpath = imageurl.split('.')
 64             ftail = splitpath.pop()
 65             if len(ftail) > 3:
 66                 ftail = "jpg"
 67             filename = name + "/" + str(number) + "." + ftail
 68             self.saveimg(imageurl,filename)
 69             number += 1
 70  
 71     # 保存头像
 72     def saveicon(self,iconurl,name):
 73         splitpath = iconurl.split('.')
 74         ftail = splitpath.pop()
 75         filename = name + "/icon." + ftail
 76         self.saveimg(iconurl,filename)
 77  
 78     #保存个人简介
 79     def savebrief(self,content,name):
 80         filename = name + "/" + name + ".txt"
 81         f = open(filename,"w+")
 82         print u"正在偷偷保存她的个人信息为",filename
 83         f.write(content.encode('utf-8'))
 84  
 85  
 86     #传入图片地址，文件名，保存单张图片
 87     def saveimg(self,imageurl,filename):
 88          u = urllib.urlopen(imageurl)
 89          data = u.read()
 90          f = open(filename, 'wb')
 91          f.write(data)
 92          print u"正在悄悄保存她的一张图片为",filename
 93          f.close()
 94  
 95     #创建新目录
 96     def mkdir(self,path):
 97         path = path.strip()
 98         # 判断路径是否存在
 99         # 存在     true
100         # 不存在   false
101         isexists=os.path.exists(path)
102         # 判断结果
103         if not isexists:
104             # 如果不存在则创建目录
105             print u"偷偷新建了名字叫做",path,u'的文件夹'
106             # 创建目录操作函数
107             os.makedirs(path)
108             return true
109         else:
110             # 如果目录存在则不创建，并提示目录已存在
111             print u"名为",path,'的文件夹已经创建成功'
112             return false
113  
114     #将一页淘宝mm的信息保存起来
115     def savepageinfo(self,pageindex):
116         #获取第一页淘宝mm列表
117         contents = self.getcontents(pageindex)
118         for item in contents:
119             #item[0]个人详情url,item[1]头像url,item[2]姓名,item[3]年龄,item[4]居住地
120             print u"发现一位模特,名字叫",item[2],u"芳龄",item[3],u",她在",item[4]
121             print u"正在偷偷地保存",item[2],"的信息"
122             print u"又意外地发现她的个人地址是",item[0]
123             #个人详情页面的url
124             detailurl = item[0]
125             #得到个人详情页面代码
126             detailpage = self.getdetailpage(detailurl)
127             #获取个人简介
128             brief = self.getbrief(detailpage)
129             #获取所有图片列表
130             images = self.getallimg(detailpage)
131             self.mkdir(item[2])
132             #保存个人简介
133             self.savebrief(brief,item[2])
134             #保存头像
135             self.saveicon(item[1],item[2])
136             #保存图片
137             self.saveimgs(images,item[2])
138  
139     #传入起止页码，获取mm图片
140     def savepagesinfo(self,start,end):
141         for i in range(start,end+1):
142             print u"正在偷偷寻找第",i,u"个地方，看看mm们在不在"
143             self.savepageinfo(i)
144  
145  
146 #传入起止页码即可，在此传入了2,10,表示抓取第2到10页的mm
147 spider = spider()
148 spider.savepagesinfo(2,10)
 1  
 2 __author__ = 'cqc'
 3 #-*- coding:utf-8 -*-
 4 import re
 5  
 6 #处理页面标签类
 7 class tool:
 8     #去除img标签,1-7位空格,&nbsp;
 9     removeimg = re.compile('<img.*?>| {1,7}|&nbsp;')
10     #删除超链接标签
11     removeaddr = re.compile('<a.*?>|</a>')
12     #把换行的标签换为\n
13     replaceline = re.compile('<tr>|<div>|</div>|</p>')
14     #将表格制表<td>替换为\t
15     replacetd= re.compile('<td>')
16     #将换行符或双换行符替换为\n
17     replacebr = re.compile('<br><br>|<br>')
18     #将其余标签剔除
19     removeextratag = re.compile('<.*?>')
20     #将多行空行删除
21     removenoneline = re.compile('\n+')
22     def replace(self,x):
23         x = re.sub(self.removeimg,"",x)
24         x = re.sub(self.removeaddr,"",x)
25         x = re.sub(self.replaceline,"\n",x)
26         x = re.sub(self.replacetd,"\t",x)
27         x = re.sub(self.replacebr,"\n",x)
28         x = re.sub(self.removeextratag,"",x)
29         x = re.sub(self.removenoneline,"\n",x)
30         #strip()将前后多余内容删除
31         return x.strip()

以上两个文件就是所有的代码内容，运行一下试试看，那叫一个酸爽啊

看看文件夹里面有什么变化

 

不知不觉，海量的mm图片已经进入了你的电脑，还不快快去试试看！！

 

您可能感兴趣的文章:

如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网