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)
网友评论