脚本之家,脚本语言编程技术及教程分享平台!
分类导航

Python|VBS|Ruby|Lua|perl|VBA|Golang|PowerShell|Erlang|autoit|Dos|bat|

服务器之家 - 脚本之家 - Python - Python制作豆瓣图片的爬虫

Python制作豆瓣图片的爬虫

2020-12-29 00:50是与非 Python

本文给大家分享的是作者制作的爬取豆瓣首页图片的爬虫代码,代码很简单,大家可以参考下思路,希望可以帮到大家

  前段时间自学了一段时间的Python,想着浓一点项目来练练手。看着大佬们一说就是爬了100W+的数据就非常的羡慕,不过对于我这种初学者来说,也就爬一爬图片。

  我相信很多人的第一个爬虫程序都是爬去贴吧的图片,嗯,我平时不玩贴吧,加上我觉得豆瓣挺良心的,我就爬了豆瓣首页上面的图片。其实最刚开始是想爬全站,后来一想我这简直是脑子犯抽,全站的图片爬下来得有多少,再说这个只是练一下手,所以就只爬取了首页上的图片。废话不多说 开始代码。

  首先是主文件的代码:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
import re
from html_downloder import HtmlDownloader
from html_downloder import Image
 
"'起始URL'"
url = "https://www.douban.com"
"'保存目录'"
image_path = "F:\source\Python\爬虫\ImageGet\Image%s.jpg"
"'定义实体类'"
downloader = HtmlDownloader()
html = downloader.download(url)
"'SaveFile(html, html_path)'"
html = html.decode('utf-8')
"'正则表达式'"
reg1 = r'="(https://img[\S]*?[jpg|png])"'
"'提取图片的URL'"
dbdata = re.findall(reg1, html)
imgsave = Image()
 
"'下载保存图片'"
imgsave.ImageGet(dbdata, image_path)

我们打开豆瓣首页然后看一下里面图片的url会发现

Python制作豆瓣图片的爬虫

Python制作豆瓣图片的爬虫

都是以“=”等号开头,后面接双引号,中间都是https://img,末尾以双引号结束。

因此我们的正则表达式可以写成 reg1 = r'="(https://img[\S]*?[jpg|png])"'

在这个表达式中"[]"中括号里面的东西会作为一个整体,其中[\S]表示大小写字母和数字,[jpg|png]表示以png结尾或者jpg结尾(在这次爬虫中并没有包括gif,因为打开gif的url发现是空白)。

 

然后是html_downloder.py的代码:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
# file: html_downloader.py
 
import urllib.request
import urllib.error
import time
 
class HtmlDownloader(object):
 def download(self, url):
  if url is None:
   return None
  try:
   header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64)'}
   "'发出请求'"
   request = urllib.request.Request(url=url, headers=header)
   "'获取结果'"
   response = urllib.request.urlopen(url)
  except urllib.error.URLError as e:
   if hasattr(e, "code"):
    print(e.code)
   if hasattr(e, "reason"):
    print(e.reason)
  if response.getcode() != 200:
   return None
  html = response.read()
  response.close()
  return html
 
class Image (object):
 def ImageGet(self, imageurl, image_path):
  x = 0
  for li in imageurl:
   urllib.request.urlretrieve(li, image_path % x)
   x = x + 1
   "'休眠5s以免给服务器造成严重负担'"
   time.sleep(5)
这个文件的代码主要是负责下载html网页和下载具体的图片。

接下来就可以在保存路径对应的文件夹中中看到下载的图片了

Python制作豆瓣图片的爬虫

至此,爬虫告一段落,离大佬的路还远得很,继续加油!!

原文链接:http://www.cnblogs.com/establish/p/8127784.html

延伸 · 阅读

精彩推荐