Python爬虫——爬取网站的图片

时间  2020-10-03 标签 python 爬虫 网站 图片

  爬虫这东西最先出如今我大学计算机网络的课程上面，咱们当时的老师人很好，期末不笔试，他说这东西笔试没什么用，对于一个年纪比较大的老师来说，能提出这种方式，实在可贵。当时在考虑作一个与网络有关的东西好，第一个想到的就是爬虫。想一想也没想过用Java写过这种东西，因此当时是通常看一本爬虫的书一边敲代码，如今想起来有不少东西是没有想明白的——我当时爬的是刘末鹏的博客，把所有文章用分类爬了下来，在本地能够打开。php

 

后面老师评价的时候就说，你这个只能爬这个，其实你应该让他智能些，让他能够爬图片，能够爬特定的内容，我想一想也是，不过知道的，后续有别的东西就没再去弄了。html

 

然后知道写爬虫还能够用Python写，前面草草看了Python的一点东西，不系统。前端

后面看了《Learn Python in hard way》,嗯，这本书实际上是为了连没有编程基础的人也学会，有编程基础的英文却很差的，能够练练英文，其实书到后面的跨度是比较大的，包括那个课后的习题游戏，本身不理清思路仍是很难写出来。java

有了大概的基础以后，你会发现，python有好多好多API。python

 

《The Python Standard Library by Example》是一本大厚书，这种书更像查字典，官网的Python library的例子有点蛋疼。这本书超级详细，包括正则表达式。git

 

学这门语言的时候遇到不少有趣的事情。github

 

当年那位在圣诞无聊开发了一门编程语言的人就是Python的做者。面试

 

用自带的库也能写爬虫，可是有一个第三方库用起来很方便——requests，这个库不有趣，有趣的是他的做者——Kenneth Reitz。很年轻。为何说有趣，是由于我看了以后上一个减肥的问题。ajax

减肥前，他长——正则表达式

                                                          

 

减肥后，他长——

                                                          

 

他爱好好像也是摄影，GitHub上的粉丝也是多。不管从编程仍是减肥，他都是一个励志的例子。

 

回来正题：

当你要作点什么东西的时候，你仍是须要想清楚你要获取什么，否则你很难写下去。像我刚开始模拟登陆知乎的时候，登陆完成后很高兴，后面也不知道怎么去爬，也没思路。后面有同事想获取一个网站上的图片，他花了好多钱买了一个php上传图片的工程，不由感叹淘宝的钱真好赚。而他要下载图片，想一想本身最近学的requests库还有其余东西。决定帮他爬。

 

要爬的是http://zone.quanjing.com这个网站。首先我先找了设计这个分类下的照片，分析了下html的源代码。

 

<img class="250img" width="250" height="337" title="" alt="" 
showsrc="http://zonepic.quanjing.com/photo/p0/151112/151112-023836-ewvdeb.jpg" src="/image/grey.gif">
</a> </div></center></div>
<div class="favorite"><p class="title" title="跨界创意"><a href="http://www.quanjing.com/share/1160068">跨界创意</a>


其实知道本身获取这些数据以后，接下来要作的就是知道用正则如何去匹配到。思路有了，实现就简单了。
而后你知道怎么用requests库，python的一些基础，正则表达式就能够爬取到首页的图片了。

 

 

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author: iaiti
# @Date:   2015-11-17 15:18:28
# @Last Modified by:   Administrator
# @Last Modified time: 2015-11-19 11:11:37

import re
import requests
import sys
#设置编码
reload(sys)
sys.setdefaultencoding('utf-8')
circle = requests.get("http://zone.quanjing.com/share/design/")
#text和content的内容有不一样
ccontent =  circle.text
#这里是正则的坑  括号的东西是分组的 外面没有括号以前 只会匹配到jpg和png不会匹配所有
#外面多一层括号才会匹配整个  可是特别的是 里面的括号也会匹配  因此
#真正findall的是整个list  list里面每一个都是元组  元组里面有xxx.jpg和jpg
pattern = "(http:[^\s]*?(jpg|png|PNG|JPG))"
finder = re.findall(pattern, circle.text)

#匹配到以后获取匹配开头和末尾位置
# finder = re.search(pattern, test)
# start = finder.start()
# end = finder.end()
# print test[start:end]
#匹配http 获取文件名
truepicture = ".*photo/p0.*"
#匹配图片网址
picpattern = "http:[^\s]*/"
#匹配标题
titlepattern = '<p class="title" title=".*?"'
imgfinder = re.findall(titlepattern, circle.text)
imglen = 0
for n in xrange(0,len(finder)):
	if re.match(truepicture, finder[n][0]):
		print finder[n][0]

		#p0改成r0后变成了大图目录的地址，
		bigpicture = finder[n][0].replace('photo/p0','photo/r0')
 		newimg = requests.get(bigpicture)

 		#替换掉无关的字符串
		temp = imgfinder[imglen].replace('<p class="title" title="','')
		newfinder = re.search(picpattern, finder[n][0])

		#截取title
		temp = "G:/github/WebSpider_Python/img/"+temp[0:len(temp)-1]+'.jpg'
		#下载文件，超级简单 设定好目录  content的意义也在于这里 
		with open(temp,'wb') as newfile:
			newfile.write(newimg.content)
	
		imglen = imglen+1


先上代码，其实爬虫这东西的文章，不少跨度太大，可是要给本身信心，不要别人能够爬的你也能够，看了一些基本的以后，本身动手写才是最重要的。我在这里写这篇，也是给个思路那样。

 

 

其实爬了首页以后，发现就那么几张图片。当你你鼠标往下拉，会自动加载东西。因此，万能的抓包出现了，和wireshark抓包不一样的是，wireshark抓的包比较详细，包括tcp三次握手等等，嗯，前辈跟我说的，它带有不少路由信息。咱们只须要分析http请求，因此chrome自带的调试工具，足矣。

 

按下F12。往下拉，而后请求都会被捕获。

 

 

如今想一想我想起了之前面试的时候面试官问个人东西，get和post的区别，我答的是get提交的数据会被捕捉到，post不会，想一想当时懂的仍是很少。

不过学习中也找到了问题的答案。

 

从捕获的东西上看出，网站后台用了.net。而后post了这些参数。

再看看js文件。

 

其实从这里我发现到和我写的系统惊人的类似，这就是先后端分离的结果。

前端能够写的彻底如出一辙，可是后台可使用.net，也可使用java。嗯，用requests模拟请求这个，获得的是：

 

{ "TableInfo":[ { "id":"1123130","FilePath":"141118-121609-fVwIzH.jpg","userid":"974767",
"title":"%e4%b8%8d%e8%8a%b1%e9%92%b1%e7%b3%bb%e5%88%97%e6%b5%b7%e6%8a%a5",
"Height":"255","UserName":"广州合丰","headpic":"default.jpg"},
 { "id":"1123129","FilePath":"141118-121233-LxISqc.jpg","userid":"974767",
 "title":"%e5%8d%93%e8%b6%8a%e6%b2%83%e6%9c%8d%e5%8a%a1%e7%b3%bb%e5%88%97%e6%b5%b7%e6%8a%a5",
 "Height":"1374","UserName":"广州合丰","headpic":"default.jpg"}]}

 

字典里面TableInfo的值是列表，列表中的每一个值又是字典，title是url编码后的中文，FilePathe就是图片路径。

 

返回后的json串经过js的处理后拼接，再放入到前面那个页面的div里面，作到滚动显示。

 

其实基本的玩法也就是这样，嗯，我还被前辈批实战经验不足，确实要多搞搞才行。

 

python代码：

 

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author: iaiti
# @Date:   2015-11-18 10:41:10
# @Last Modified by:   Administrator
# @Last Modified time: 2015-11-19 14:55:01

import re
import requests
import sys
import json
from urllib import unquote

reload(sys)
sys.setdefaultencoding('utf-8')

#获取到匹配字符的字符串
def find(pattern,test):
	finder = re.search(pattern, test)
	start = finder.start()
	end = finder.end()
	return test[start:end-1]

#大图的网址为r0 小图为p0
picturepath = 'http://zonepic.quanjing.com/photo/r0/'


#循环发送ajax请求 捉取大量图片
# for x in xrange(100,200):

#ajax采用post请求，经过抓包能够看出具体请求的参数
#http://zone.quanjing.com/share/design/  post参数为此url下下拉加载ajax请求所须要的参数
formdata = {'pageindex':'','pagesize':'25','keywords':'','arttype':'7','isgame':''}

#批量获取时，pageindex
#formdata['pageindex'] = x
formdata['pageindex'] = 2
#模拟post请求
circle = requests.post("http://zone.quanjing.com/share/ashx/WaterFallShowAsync.ashx",data=formdata)

#匹配后缀为jpg和png的连接
pattern = "(http:[^\s]*?(jpg|png))"
finder = re.findall(pattern, circle.text)

# 字典里面TableInfo的值是列表，列表中的每一个值又是字典，title是url编码后的中文，FilePathe就是图片路径
# { "TableInfo":[ { "id":"1123130","FilePath":"141118-121609-fVwIzH.jpg","userid":"974767",
# "title":"%e4%b8%8d%e8%8a%b1%e9%92%b1%e7%b3%bb%e5%88%97%e6%b5%b7%e6%8a%a5",
# "Height":"255","UserName":"广州合丰","headpic":"default.jpg"},
#  { "id":"1123129","FilePath":"141118-121233-LxISqc.jpg","userid":"974767",
#  "title":"%e5%8d%93%e8%b6%8a%e6%b2%83%e6%9c%8d%e5%8a%a1%e7%b3%bb%e5%88%97%e6%b5%b7%e6%8a%a5",
#  "Height":"1374","UserName":"广州合丰","headpic":"default.jpg"}]}
print circle.text

#json串转字典，获取TableInfo的值
mydict = json.loads(circle.text)
tablekey  = mydict['TableInfo']
#print tablekey

#因为http://zonepic.quanjing.com/photo/p0/151112/151112-040832-zxe6fZ.jpg   p0后面的
#文件夹命名为图片前面的数字命名，因此匹配此字符串
secondfile = '.*?-'
print len(tablekey)

#遍历列表
for keyarray in tablekey:
	print str(keyarray['title'])
	#中文title的url解码
	imgfilename =unquote(str(keyarray['title'])).decode('utf8')

	#因为要把标题当作文件名，可是文件名不能包含*<>/\:这些特殊字符
	imgfilename =imgfilename.replace('>', '').replace('*', '').replace('<', '').replace('/', '').replace(':', '').replace('\\', '').replace('|', '')
	imgnametemp = "G:/github/WebSpider_Python/img/"+imgfilename+".jpg"
	print imgfilename
	filepath = keyarray['FilePath']
	print filepath
	print picturepath+find(secondfile,keyarray['FilePath'])+'/'+keyarray['FilePath']
	#requests请求图片地址 
	newimg = requests.get(picturepath+find(secondfile,keyarray['FilePath'])+'/'+keyarray['FilePath'])
	with open(imgnametemp,'wb') as newfile:
		#获取图片内容并往磁盘写入，命名为匹配的中文title名加上后缀
		newfile.write(newimg.content)

 

 

 

 

 

这样，我跟我同事完美地交了差，同时吐槽他这网站不少图片没有标题。

上面的代码有些写得不符合规范，也没有用到多线程去捉取，解析html也没有用Beautiful soup这些。后面慢慢补上。

这个东西写完以后，找回了不少东西。

联系我们 沪ICP备13005482号-10