python学习之爬虫脚本

作者: Python爬虫学习 | 来源:发表于2018-01-07 14:38 被阅读40次

    python3.6

    自己仿照网上的模板写了个爬虫脚本,可以爬mm图片呦。下面是代码和注释

    #导入re模块,用来使用正则

    分享之前我还是要推荐下我自己建的Python开发学习群:628979297,群里都是学Python开发的,如果你正在学习Python ,小编欢迎你加入,今天分享的这个案例已经上传到群文件,大家都是软件开发党,不定期分享干货(只有Python软件开发相关的),包括我自己整理的一份2018最新的Python进阶资料和高级开发教程,欢迎进阶中和进想深入Python的小伙伴。

    import re

    #导入urllib.request模块,打开网页源码用

    import urllib.request

    #导入os模块,来自动创建保存路径

    import os

    #导入time模块,用来实现下面的每爬一次睡几秒

    import time

    #创建一个全局变量,用以实现图片保存后连续计数命名

    num=0

    #下面是创建保存路径的文件夹

    path='D:\爬虫图片\mm'

    dir=os.path.exists(path)

    if not dir:

    os.makedirs(path)

    def getHtml(url):

    #伪装headers,反反爬

    user_agent='Mozilla/5.0 (Windows NT 10.0; Win64; X64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36'

    headers={'User-Agent':user_agent}

    req=urllib.request.Request(url,headers=headers)

    page=urllib.request.urlopen(req)

    html=page.read()

    rehtml=str(html)

    reg=r'charset=(.+?)"' #自动识别网站源码的编码方式

    imgre=re.compile(reg)

    imglist=re.findall(imgre,rehtml)

    #print('page coded by %s' %imglist)

    code='gbk' #此处本来要写成=imglist[0],但实际爬图片的时候发现网站上标注的编码方式并不一定好使,而是要写另外一个兼容这个编码方式的编码,所以我就直接给固定了,上面也白自动识别了。具体说明可以参照下面网址: http://www.crifan.com/summary_python_unicodedecode_error_possible_reasons_and_solutions/

    html=html.decode('%s' %code)

    return html

    def getImg(html):

    #从海量网站代码中设置过滤正则表达式,以找到图片地址。

    reg=r'1\)" src="(.+?\.jpg)"'

    imgre=re.compile(reg)

    imglist=re.findall(imgre,html)

    #调用上面设置的全局变量,以计数

    global num

    for imgurl in imglist:

    #保存图片

    urllib.request.urlretrieve(imgurl,path+'\mm%s.jpg' %num)

    num+=1

    print(num)

    for i in range(2330,2390): #根据网站源代码,连续怕N多网址

    a=str(i)

    url='http://www.mm131.com/xinggan/'+a+'.html'

    #下面比较重要,因为上面设置的是怕连续网址,但有时网站上有些网址并不存在,下面是判断网址是否存在,如果存在就怕图片,不存在就不浪费时间了

    try:

    html=getHtml(url)

    print(getImg(html))

    except urllib.error.HTTPError as e:

    if e.code==404:

    print('cant find %s' %url)

    相关文章

      网友评论

        本文标题:python学习之爬虫脚本

        本文链接:https://www.haomeiwen.com/subject/psgpnxtx.html