python爬取豆瓣演员图片

本文为使用python3通过豆瓣演员id下载演员图片

1. 该类为读取Excel表格数据

"""
-------------------------------------------------
   File Name：     Do_Excel
   Description :
   Author :       小鱼
   date：          2018/3/19
-------------------------------------------------
   Change Activity:
                   2018/3/19:
-------------------------------------------------
"""
__author__ = '小鱼'

from openpyxl import load_workbook

class DoExcel:

    def __init__(self,excelpath):
        self.wb = load_workbook(excelpath)
        self.excelpath = excelpath
        self.sh_id = self.wb.get_sheet_by_name("id")
        self.sh_move = self.wb.get_sheet_by_name("move")

    def get_id(self):
        l=[]
        for i in range(1,self.sh_id.max_row+1):
            id = self.sh_id.cell(row=i,column=1).value
            l.append(id)
        return l

"""
-------------------------------------------------
   File Name：     douban_spider2
   Description :
   Author :       小鱼
   date：          2018/3/20
-------------------------------------------------
   Change Activity:
                   2018/3/20:
-------------------------------------------------
"""
import urllib

__author__ = '小鱼'
from Do_Excel import DoExcel
import requests
import re
import time
from urllib.request import urlretrieve, urlcleanup
import os

class DouBan_Spider():
    def auto_down(self,url, filename):
        try:
            urlretrieve(url, filename)
        except :
            print("重新下载")
            urlcleanup()
            return self.auto_down(url,filename)
    def judge_ban(self, id):
        move_url = "https://movie.douban.com/celebrity/%s" % id
        try:
            response = requests.get(url=move_url, timeout=30)
        except:
                time.sleep(10)
                print('请求多次仍然超时，请检查')
                return self.judge_ban(id)
        html = response.text
        if html.find(r'检测到有异常请求从你的') != -1:
            print("被ban了，需要等待10s继续请求")
            time.sleep(10)
            return self.judge_ban(id)
        else:
            picture = r'''title="点击看大图"
                src="(.*?)">'''
            imgre = re.compile(picture)
            imgrelist = imgre.findall(html)
        if imgrelist!=[]:
            self.auto_down(imgrelist[0],os.getcwd()+'/picture/%s.jpg'%id)
            print("当前演员id为:" + str(id))
            print('.......................')
        else:
            print("该演员没有头像")
            print('.......................')
if __name__ == '__main__':
    m = DouBan_Spider()
    do_excel = DoExcel('move_id.xlsx')
    id_list = do_excel.get_id()
    count = 0
    for m_id in id_list:
        count += 1
        print('当前下载了' + str(count) + '张')
        m.judge_ban(m_id)

备注：

• 该脚本实现了通过演员id下载演员头像的功能，如果被ban，则过10秒重新请求
• 读取Excel表格最大行数max_row，应该+1，不然无法取到最后一行

2.结果如图

image.png
备注
import urllib.request
urlretrieve()的应用，可以将网站网址直接爬取到本地中
格式： request.urlretrieve(url,filename) url为 要爬取的网站的地址，filename为本地的名。
urlcleanup()的应用，可以将urlretrieve()中的缓存清理掉