今天沒事回家寫了個(gè)貼吧圖片下載程序，工具用的是PyCharm，這個(gè)工具很實(shí)用，開始用的Eclipse，但是再使用類庫或者其它方便并不實(shí)用，所以最后下了個(gè)專業(yè)開發(fā)python程序的工具，開發(fā)環(huán)境是Python2，因?yàn)榇髮W(xué)時(shí)自學(xué)的是python2
第一步：就是打開cmd命令，輸入pip install lxml
如圖
第二步：下載一個(gè)chrome插件：專門用來將html文件轉(zhuǎn)為xml用xpth技術(shù)定位
在頁面按下Ctrl+Shift+X即可打開插件進(jìn)行頁面分析
如下圖
圖中的黑色方框左邊填寫xpth，右邊會(huì)返回對(duì)應(yīng)的結(jié)果，可以看到當(dāng)前頁面的帖子全部抓取到了。xpth具體怎么寫要根據(jù)右邊的檢查元素來具體分析，尋找規(guī)律，每個(gè)網(wǎng)站的方式不一樣，但是細(xì)心尋找可以找到相同的規(guī)律。
找到規(guī)律并能匹配上開始寫代碼了：go
至于代碼我對(duì)于每行盡量標(biāo)上注釋，方便大家理解
|
1
|
|
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
|
# -*- coding:utf-8 -*-import urllibimport urllib2from lxml import etreedef loadPage(url): """ 作用：根據(jù)url發(fā)送請(qǐng)求，獲取服務(wù)器響應(yīng)文件 url: 需要爬取的url地址 """ #print url #美女 # headers = {"User-Agent" : "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"} request = urllib2.Request(url) html = urllib2.urlopen(request).read() # 解析HTML文檔為HTML DOM模型 content = etree.HTML(html) #print content # 返回所有匹配成功的列表集合 link_list = content.xpath('//div[@class="t_con cleafix"]/div/div/div/a/@href') #link_list = content.xpath('//a[@class="j_th_tit"]/@href') for link in link_list: fulllink = "http://tieba.baidu.com" + link # 組合為每個(gè)帖子的鏈接 #print link loadImage(fulllink)# 取出每個(gè)帖子里的每個(gè)圖片連接def loadImage(link): headers = {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"} request = urllib2.Request(link, headers = headers) html = urllib2.urlopen(request).read() # 解析 content = etree.HTML(html) # 取出帖子里每層層主發(fā)送的圖片連接集合 #link_list = content.xpath('//img[@class="BDE_Image"]/@src') #link_list = content.xpath('//div[@class="post_bubble_middle"]') link_list = content.xpath('//img[@class="BDE_Image"]/@src') # 取出每個(gè)圖片的連接 for link in link_list: print link writeImage(link)def writeImage(link): """ 作用：將html內(nèi)容寫入到本地 link：圖片連接 """ #print "正在保存 " + filename headers = {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"} # 文件寫入 request = urllib2.Request(link, headers = headers) # 圖片原始數(shù)據(jù) image = urllib2.urlopen(request).read() # 取出連接后10位做為文件名 filename = link[-10:] # 寫入到本地磁盤文件內(nèi) with open("d:\image\\"+filename, "wb") as f: f.write(image) print "已經(jīng)成功下載 "+ filenamedef tiebaSpider(url, beginPage, endPage): """ 作用：貼吧爬蟲調(diào)度器，負(fù)責(zé)組合處理每個(gè)頁面的url url : 貼吧url的前部分 beginPage : 起始頁 endPage : 結(jié)束頁 """ for page in range(beginPage, endPage + 1): pn = (page - 1) * 50 filename = "第" + str(page) + "頁.html" fullurl = url + "&pn=" + str(pn) print fullurl loadPage(fullurl) #print html print "謝謝使用"if __name__ == "__main__": kw = raw_input("請(qǐng)輸入需要爬取的貼吧名:") beginPage = int(raw_input("請(qǐng)輸入起始頁：")) endPage = int(raw_input("請(qǐng)輸入結(jié)束頁：")) url = "http://tieba.baidu.com/f?" key = urllib.urlencode({"kw": kw}) fullurl = url + key tiebaSpider(fullurl, beginPage, endPage) |
運(yùn)行：
可以看到程序成功運(yùn)行了，當(dāng)然我自己的過程并不是一帆風(fēng)順，代碼僅供參考
以上這篇python 實(shí)現(xiàn)一個(gè)貼吧圖片爬蟲的示例就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持服務(wù)器之家。
原文鏈接：http://www.cnblogs.com/clovejava/archive/2017/10/11/7653284.html
