Python爬取图片并以二进制方式保存到本地

本篇主要介绍python 爬取图片并以二进制形式保存到本地

这回爬取的是一个写真图片网站，上面有一个365日365枚照片写真
写真图片网站链接

这里写图片描述

明确目标，爬取每一页的20张图片，循环生成没一页的url，爬取一页时生成一个对应的页数的文件夹在本地，将图片以二进制保存下来

1、
那么第一步就是requests获取网页的源码了，接着就是分析图片所在的标签，也就是我们需要的通过正则获取的内容

这里写图片描述

2、
获取图片的网页链接及图片的名称，获取图片网页链接的目的之一是为了保存到本地的时候，建立对应页码的文件夹（因为连接中包含了对应的码数）

#取到每一页URL对应的页码
        page = int(url.split('/')[7])

对每一页的图片在爬取的时候都建立一个文件夹，这里需要注意直接以数字命名的文件夹不能直接放在路径中，需加上一个反斜杠

def mkDir(self,i):
        fileName = str(i)
        path = 'D:\Python\PycharmProject\Enhance\\365\%s'%(fileName)
        E = os.path.exists(path)
        if not E:
            os.makedirs(path)
            print u'创建page'+str(i)+u'成功！'
        else:
            print u'创建page'+str(i)+u'失败！,已存在文件夹'

3、
循环生成url的时候，要获取最大页码数，经过分析最大页码数在第一页中存在，通过正则获取后循环

4、注意爬取时最好设置一下时延，防止对网站造成过大的负担，也可添加IP

唉 直接上代码：

#!/usr/bin/python
# -*- coding:utf-8 -*-
# author:joel 18-6-12

'''
365日365枚
http://sozaing.com/category/photo/365photo/page/1/
'''
import random
import time
import os
import requests
import re

class Spider():
    def getHtml(self,url):
        headers = {
            'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.79 Safari/537.36'
        }
        proxies = [
            {'https': '183.128.243.81:6666'},
             {'https': '121.231.168.5:6666'},
              {'https': '121.231.168.123:6666'},
        ]
        proxy = proxies[random.randint(0,2)]
        r = requests.get(url,headers = headers,proxies = proxy)
        html = r.text
        return html

    def getOnePageData(self,url):
        html = self.getHtml(url)
        pattern = re.compile('<p class="title"><a href="(.*?)">(.*?)</a></p>',re.S)
        result = re.findall(pattern,html)
        pictureList = []
        #取到每一页URL对应的页码
        page = int(url.split('/')[7])
        num = 1
        #创建对应页数的文件夹
        self.mkDir(page)
        for i in result:
            html2 = self.getHtml(i[0])
            pictureLink = re.findall(r'<p class="mar_b_25 center">.*?<img.*?src="(.*?)".*?/>.*?</p>',html2,re.S)
            pictureList.append(pictureLink)
            #将每页的图片按图片名存储（二进制），这里直接用数字365做文件名会出错，所以多加一个斜杠
            pic_path = 'D:\Python\PycharmProject\Enhance\\365\%s\%s.jpg'%(page,i[1])
            E = os.path.exists(pic_path)
            if not E:
                pic = requests.get(pictureLink[0])
                f = open(pic_path,'wb')
                f.write(pic.content)
                f.close
                print u'第'+str(num)+u'张...'
            else:
                print u'文件已存在...'
            num += 1
            time.sleep(4+random.randint(1,10))
        return pictureList

    def mkDir(self,i):
        fileName = str(i)
        path = 'D:\Python\PycharmProject\Enhance\\365\%s'%(fileName)
        E = os.path.exists(path)
        if not E:
            os.makedirs(path)
            print u'创建page'+str(i)+u'成功！'
        else:
            print u'创建page'+str(i)+u'失败！,已存在文件夹'

    def getMore(self):
        html = self.getHtml('http://sozaing.com/category/photo/365photo/page/1/')
        #从第一页中获取最后一页的页码数
        lastPage = re.findall(r"<span class='pages'>Page 1 of (\d+)</span>",html)
        for i in range(1,int(lastPage[0])+1):
            self.url = 'http://sozaing.com/category/photo/365photo/page/{}/'.format(i)
            self.getOnePageData(self.url)

spider = Spider()
spider.getMore()

若有问题欢迎交流~

---

print('微信公众号搜索 "猿狮的单身日常" ，Java技术升级、虫师修炼，我们 不见不散!')
print('也可以扫下方二维码哦~')

猿狮的单身日常