自学Python九爬虫实战二

叁金

发布于 2018-09-04 14:46:31

5220

发布于 2018-09-04 14:46:31

　　作为一个新世纪有思想有文化有道德时刻准备着的屌丝男青年，在现在这样一个社会中，心疼我大慢播抵制大百度的前提下，没事儿上上网逛逛YY看看斗鱼翻翻美女图片那是必不可少的，可是美图虽多翻页费劲！今天我们就搞个爬虫把美图都给扒下来！本次实例有2个：煎蛋上的妹子图，某网站的rosi图。我只是一个学习python的菜鸟，技术不可耻，技术是无罪的！！！

　　煎蛋：

　　先说说程序的流程：获取煎蛋妹子图URL，得到网页代码，提取妹子图片地址，访问图片地址并将图片保存到本地。Ready？先让我们看看煎蛋妹子网页：

　　我们得到URL为：http://jandan.net/ooxx/page-1764#comments 1764就是页码，首先我们要得到最新的页码，然后向前寻找，然后得到每页中图片的url。下面我们分析网站代码写出正则表达式！

　　根据之前文章的方法我们写出如下函数getNewPage：

1 def __getNewPage(self):
2         pageCode = self.Get(self.__Url)
3         type = sys.getfilesystemencoding()
4         pattern = re.compile(r'<div .*?cp-pagenavi">.*?<span .*?current-comment-page">\[(.*?)\]</span>',re.S)
5         newPage = re.search(pattern,pageCode.decode("UTF-8").encode(type))
6         print pageCode.decode("UTF-8").encode(type)
7         if newPage != None:
8             return newPage.group(1)
9         return 1500

　　不要问我为什么如果失败返回1500。。。因为煎蛋把1500页之前的图片都给吃了。你也可以返回0。接下来是图片的

1 def __getAllPicUrl(self,pageIndex):
2         realurl = self.__Url + "page-" + str(pageIndex) + "#comments"
3         pageCode = self.Get(realurl)
4         type = sys.getfilesystemencoding()
5         pattern = re.compile('<p>.*?<a .*?view_img_link">.*?</a>.*?<img src="(.*?)".*?</p>',re.S)
6         items = re.findall(pattern,pageCode.decode("UTF-8").encode(type))
7         for item in items:
8             print item

　　好了，得到了图片地址，接下来就是访问图片地址然后保存图片了：

1     def __savePics(self,img_addr,folder):
2         for item in img_addr:
3             filename = item.split('/')[-1]
4             print "正在保存图片：" + filename
5             with open(filename,'wb') as file:
6                 img = self.Get(item)
7                 file.write(img)

　　当你觉得信心满满的时候，一定会有一盆冷水浇到你的头上，毕竟程序就是这样，考验你的耐性，打磨你的自信。你测试了一会儿，然后你发现你重启程序后再也无法获取最新页码，你觉得我什么也没动啊为什么会这样。别着急，我们将得到的网页代码打印出来看看：

　　看到了吧，是服务器感觉你不像浏览器访问的结果把你的ip给屏蔽了。真是给跪了，辛辛苦苦码一年，屏蔽回到解放前！那么这个如何解决呢，答：换ip 找代理。接下来我们要改一下我们的HttpClient.py 将里面的opener设置下代理服务器。具体代理服务器请自行百度之，关键字：http代理。想找到一个合适的代理也不容易自己ie Internet选项挨个试试，测试下网速。

 1 # -*- coding: utf-8 -*-
 2 import cookielib, urllib, urllib2, socket
 3 import zlib,StringIO
 4 class HttpClient:
 5   __cookie = cookielib.CookieJar()
 6   __proxy_handler = urllib2.ProxyHandler({"http" : '42.121.6.80:8080'})#设置代理服务器与端口
 7   __req = urllib2.build_opener(urllib2.HTTPCookieProcessor(__cookie),__proxy_handler)#生成opener
 8   __req.addheaders = [
 9     ('Accept', 'application/javascript, */*;q=0.8'),
10     ('User-Agent', 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)')
11   ]
12   urllib2.install_opener(__req)
13 
14   def Get(self, url, refer=None):
15     try:
16       req = urllib2.Request(url)
17       #req.add_header('Accept-encoding', 'gzip')
18       if not (refer is None):
19         req.add_header('Referer', refer)
20       response = urllib2.urlopen(req, timeout=120)
21       html = response.read()
22       #gzipped = response.headers.get('Content-Encoding')
23       #if gzipped:
24       #    html = zlib.decompress(html, 16+zlib.MAX_WBITS)
25       return html
26     except urllib2.HTTPError, e:
27       return e.read()
28     except socket.timeout, e:
29       return ''
30     except socket.error, e:
31       return ''

　　然后，就可以非常愉快的查看图片了。不过用了代理速度好慢。。。可以设置timeout稍微长一点儿，防止图片下载不下来！

　　好了，rosi的下篇文章再放！现在是时候上一波代码了：

 1 # -*- coding: utf-8 -*-
 2 import cookielib, urllib, urllib2, socket
 3 import zlib,StringIO
 4 class HttpClient:
 5   __cookie = cookielib.CookieJar()
 6   __proxy_handler = urllib2.ProxyHandler({"http" : '42.121.6.80:8080'})
 7   __req = urllib2.build_opener(urllib2.HTTPCookieProcessor(__cookie),__proxy_handler)
 8   __req.addheaders = [
 9     ('Accept', 'application/javascript, */*;q=0.8'),
10     ('User-Agent', 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)')
11   ]
12   urllib2.install_opener(__req)
13 
14   def Get(self, url, refer=None):
15     try:
16       req = urllib2.Request(url)
17       req.add_header('Accept-encoding', 'gzip')
18       if not (refer is None):
19         req.add_header('Referer', refer)
20       response = urllib2.urlopen(req, timeout=120)
21       html = response.read()
22       gzipped = response.headers.get('Content-Encoding')
23       if gzipped:
24           html = zlib.decompress(html, 16+zlib.MAX_WBITS)
25       return html
26     except urllib2.HTTPError, e:
27       return e.read()
28     except socket.timeout, e:
29       return ''
30     except socket.error, e:
31       return ''
32 
33   def Post(self, url, data, refer=None):
34     try:
35       #req = urllib2.Request(url, urllib.urlencode(data))
36       req = urllib2.Request(url,data)
37       if not (refer is None):
38         req.add_header('Referer', refer)
39       return urllib2.urlopen(req, timeout=120).read()
40     except urllib2.HTTPError, e:
41       return e.read()
42     except socket.timeout, e:
43       return ''
44     except socket.error, e:
45       return ''
46 
47   def Download(self, url, file):
48     output = open(file, 'wb')
49     output.write(urllib2.urlopen(url).read())
50     output.close()
51 
52 #  def urlencode(self, data):
53 #    return urllib.quote(data)
54 
55   def getCookie(self, key):
56     for c in self.__cookie:
57       if c.name == key:
58         return c.value
59     return ''
60 
61   def setCookie(self, key, val, domain):
62     ck = cookielib.Cookie(version=0, name=key, value=val, port=None, port_specified=False, domain=domain, domain_specified=False, domain_initial_dot=False, path='/', path_specified=True, secure=False, expires=None, discard=True, comment=None, comment_url=None, rest={'HttpOnly': None}, rfc2109=False)
63     self.__cookie.set_cookie(ck)
64 #self.__cookie.clear() clean cookie
65 # vim : tabstop=2 shiftwidth=2 softtabstop=2 expandtab

 1 # -*- coding: utf-8 -*-
 2 from __future__ import unicode_literals
 3 from HttpClient import HttpClient
 4 import sys,re,os
 5 class JianDan(HttpClient):
 6     def __init__(self):
 7         self.__pageIndex = 1500 #之前的图片被煎蛋吞了
 8         self.__Url = "http://jandan.net/ooxx/"
 9         self.__floder = "jiandan"
10     def __getAllPicUrl(self,pageIndex):
11         realurl = self.__Url + "page-" + str(pageIndex) + "#comments"
12         pageCode = self.Get(realurl)
13         type = sys.getfilesystemencoding()
14         pattern = re.compile('<p>.*?<a .*?view_img_link">.*?</a>.*?<img src="(.*?)".*?</p>',re.S)
15         items = re.findall(pattern,pageCode.decode("UTF-8").encode(type))
16         for item in items:
17             print item
18         self.__savePics(items,self.__floder)
19 
20     def __savePics(self,img_addr,folder):
21         for item in img_addr:
22             filename = item.split('/')[-1]
23             print "正在保存图片：" + filename
24             with open(filename,'wb') as file:
25                 img = self.Get(item)
26                 file.write(img)
27 
28     def __getNewPage(self):
29         pageCode = self.Get(self.__Url)
30         type = sys.getfilesystemencoding()
31         pattern = re.compile(r'<div .*?cp-pagenavi">.*?<span .*?current-comment-page">\[(.*?)\]</span>',re.S)
32         newPage = re.search(pattern,pageCode.decode("UTF-8").encode(type))
33         print pageCode.decode("UTF-8").encode(type)
34         if newPage != None:
35             return newPage.group(1)
36         return 1500
37 
38     def start(self):
39         isExists=os.path.exists(self.__floder)#检测是否存在目录
40         print isExists
41         if not isExists:
42             os.mkdir(self.__floder)
43         os.chdir(self.__floder)
44         page = int(self.__getNewPage())
45         for i in range(self.__pageIndex,page):
46             self.__getAllPicUrl(i)
47 
48 if __name__ == '__main__':
49     jd = JianDan()
50     jd.start()

本文参与腾讯云自媒体分享计划，分享自作者个人站点/博客。

原始发表：2016-01-19 ，如有侵权请联系 cloudcommunity@tencent.com 删除

http

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体分享计划，欢迎热爱写作的你一起参与！

http

登录后参与评论

0 条评论

热度