溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要講解了Python如何爬取淘女郎照片，內容清晰明了，對此有興趣的小伙伴可以學習一下，相信大家閱讀完之后會有幫助。
本篇目標
1.URL的格式
在這里我們用到的URL是 http://mm.taobao.com/json/request_top_list.htm?page=1，問號前面是基地址，后面的參數page是代表第幾頁，可以隨意更換地址。點擊開之后，會發現有一些淘寶MM的簡介，并附有超鏈接鏈接到個人詳情頁面。
我們需要抓取本頁面的頭像地址，MM姓名，MM年齡，MM居住地，以及MM的個人詳情頁面地址。
2.抓取簡要信息
相信大家經過上幾次的實戰，對抓取和提取頁面的地址已經非常熟悉了，這里沒有什么難度了，我們首先抓取本頁面的MM詳情頁面地址，姓名，年齡等等的信息打印出來，直接貼代碼如下
import urllib
import urllib2
import re
class Spider:
def __init__(self):
self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'
def getPage(self,pageIndex):
url = self.siteURL + "?page=" + str(pageIndex)
print url
request = urllib2.Request(url)
response = urllib2.urlopen(request)
return response.read().decode('gbk')
def getContents(self,pageIndex):
page = self.getPage(pageIndex)
pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)" rel="external nofollow" rel="external nofollow" .*?)(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)
items = re.findall(pattern,page)
for item in items:
print item[0],item[1],item[2],item[3],item[4]
spider = Spider()
spider.getContents(1)運行結果如下
3.文件寫入簡介
在這里，我們有寫入圖片和寫入文本兩種方式
1）寫入圖片
#傳入圖片地址，文件名，保存單張圖片 def saveImg(self,imageURL,fileName): u = urllib.urlopen(imageURL) data = u.read() f = open(fileName, 'wb') f.write(data) f.close()
2）寫入文本
def saveBrief(self,content,name):
fileName = name + "/" + name + ".txt"
f = open(fileName,"w+")
print u"正在偷偷保存她的個人信息為",fileName
f.write(content.encode('utf-8'))3）創建新目錄
#創建新目錄
def mkdir(self,path):
path = path.strip()
# 判斷路徑是否存在
# 存在 True
# 不存在 False
isExists=os.path.exists(path)
# 判斷結果
if not isExists:
# 如果不存在則創建目錄
# 創建目錄操作函數
os.makedirs(path)
return True
else:
# 如果目錄存在則不創建，并提示目錄已存在
return False4.代碼完善
主要的知識點已經在前面都涉及到了，如果大家前面的章節都已經看了，完成這個爬蟲不在話下，具體的詳情在此不再贅述，直接帖代碼啦。
spider.py
import urllib
import urllib2
import re
import tool
import os
#抓取MM
class Spider:
#頁面初始化
def __init__(self):
self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'
self.tool = tool.Tool()
#獲取索引頁面的內容
def getPage(self,pageIndex):
url = self.siteURL + "?page=" + str(pageIndex)
request = urllib2.Request(url)
response = urllib2.urlopen(request)
return response.read().decode('gbk')
#獲取索引界面所有MM的信息，list格式
def getContents(self,pageIndex):
page = self.getPage(pageIndex)
pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)" rel="external nofollow" rel="external nofollow" .*?)(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)
items = re.findall(pattern,page)
contents = []
for item in items:
contents.append([item[0],item[1],item[2],item[3],item[4]])
return contents
#獲取MM個人詳情頁面
def getDetailPage(self,infoURL):
response = urllib2.urlopen(infoURL)
return response.read().decode('gbk')
#獲取個人文字簡介
def getBrief(self,page):
pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)
result = re.search(pattern,page)
return self.tool.replace(result.group(1))
#獲取頁面所有圖片
def getAllImg(self,page):
pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)
#個人信息頁面所有代碼
content = re.search(pattern,page)
#從代碼中提取圖片
patternImg = re.compile('<img.*?src="(.*?)"',re.S)
images = re.findall(patternImg,content.group(1))
return images
#保存多張寫真圖片
def saveImgs(self,images,name):
number = 1
print u"發現",name,u"共有",len(images),u"張照片"
for imageURL in images:
splitPath = imageURL.split('.')
fTail = splitPath.pop()
if len(fTail) > 3:
fTail = "jpg"
fileName = name + "/" + str(number) + "." + fTail
self.saveImg(imageURL,fileName)
number += 1
# 保存頭像
def saveIcon(self,iconURL,name):
splitPath = iconURL.split('.')
fTail = splitPath.pop()
fileName = name + "/icon." + fTail
self.saveImg(iconURL,fileName)
#保存個人簡介
def saveBrief(self,content,name):
fileName = name + "/" + name + ".txt"
f = open(fileName,"w+")
print u"正在偷偷保存她的個人信息為",fileName
f.write(content.encode('utf-8'))
#傳入圖片地址，文件名，保存單張圖片
def saveImg(self,imageURL,fileName):
u = urllib.urlopen(imageURL)
data = u.read()
f = open(fileName, 'wb')
f.write(data)
print u"正在悄悄保存她的一張圖片為",fileName
f.close()
#創建新目錄
def mkdir(self,path):
path = path.strip()
# 判斷路徑是否存在
# 存在 True
# 不存在 False
isExists=os.path.exists(path)
# 判斷結果
if not isExists:
# 如果不存在則創建目錄
print u"偷偷新建了名字叫做",path,u'的文件夾'
# 創建目錄操作函數
os.makedirs(path)
return True
else:
# 如果目錄存在則不創建，并提示目錄已存在
print u"名為",path,'的文件夾已經創建成功'
return False
#將一頁淘寶MM的信息保存起來
def savePageInfo(self,pageIndex):
#獲取第一頁淘寶MM列表
contents = self.getContents(pageIndex)
for item in contents:
#item[0]個人詳情URL,item[1]頭像URL,item[2]姓名,item[3]年齡,item[4]居住地
print u"發現一位模特,名字叫",item[2],u"芳齡",item[3],u",她在",item[4]
print u"正在偷偷地保存",item[2],"的信息"
print u"又意外地發現她的個人地址是",item[0]
#個人詳情頁面的URL
detailURL = item[0]
#得到個人詳情頁面代碼
detailPage = self.getDetailPage(detailURL)
#獲取個人簡介
brief = self.getBrief(detailPage)
#獲取所有圖片列表
images = self.getAllImg(detailPage)
self.mkdir(item[2])
#保存個人簡介
self.saveBrief(brief,item[2])
#保存頭像
self.saveIcon(item[1],item[2])
#保存圖片
self.saveImgs(images,item[2])
#傳入起止頁碼，獲取MM圖片
def savePagesInfo(self,start,end):
for i in range(start,end+1):
print u"正在偷偷尋找第",i,u"個地方，看看MM們在不在"
self.savePageInfo(i)
#傳入起止頁碼即可，在此傳入了2,10,表示抓取第2到10頁的MM
spider = Spider()
spider.savePagesInfo(2,10)tool.py
import re
#處理頁面標簽類
class Tool:
#去除img標簽,1-7位空格,
removeImg = re.compile('<img.*?>| {1,7}| ')
#刪除超鏈接標簽
removeAddr = re.compile('<a.*?>|</a>')
#把換行的標簽換為\n
replaceLine = re.compile('<tr>|<div>|</div>|</p>')
#將表格制表<td>替換為\t
replaceTD= re.compile('<td>')
#將換行符或雙換行符替換為\n
replaceBR = re.compile('<br><br>|<br>')
#將其余標簽剔除
removeExtraTag = re.compile('<.*?>')
#將多行空行刪除
removeNoneLine = re.compile('\n+')
def replace(self,x):
x = re.sub(self.removeImg,"",x)
x = re.sub(self.removeAddr,"",x)
x = re.sub(self.replaceLine,"\n",x)
x = re.sub(self.replaceTD,"\t",x)
x = re.sub(self.replaceBR,"\n",x)
x = re.sub(self.removeExtraTag,"",x)
x = re.sub(self.removeNoneLine,"\n",x)
#strip()將前后多余內容刪除
return x.strip()以上兩個文件就是所有的代碼內容，運行一下試試看，那叫一個酸爽啊
看完上述內容，是不是對Python如何爬取淘女郎照片有進一步的了解，如果還想學習更多內容，歡迎關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
