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 urllibimport urllib2import reclass 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='http://www.hdgsjgj.cn/bcjs/(.*?)' 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 False

4.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 urllibimport urllib2import reimport toolimport os#抓取MMclass 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='http://www.hdgsjgj.cn/bcjs/(.*?)' 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='http://www.hdgsjgj.cn/bcjs/(.*?)'’,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MMspider = 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

到此這篇關于Python爬蟲之爬取淘女郎照片示例詳解的文章就介紹到這了,更多相關Python 爬取淘女郎照片內容請搜索好吧啦網以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持好吧啦網！