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(shù)page是代表第幾頁，可以隨意更換地址。點擊開之后，會發(fā)現(xiàn)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(jīng)過上幾次的實戰(zhàn)，對抓取和提取頁面的地址已經(jīng)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.b3g6.com/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(chuàng)建新目錄

#創(chuàng)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(chuàng)建目錄 # 創(chuàng)建目錄操作函數(shù) os.makedirs(path) return True else: # 如果目錄存在則不創(chuàng)建，并提示目錄已存在 return False

4.代碼完善

主要的知識點已經(jīng)在前面都涉及到了，如果大家前面的章節(jié)都已經(jīng)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.b3g6.com/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.b3g6.com/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(fā)現(xiàn)',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?zhèn)€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(chuàng)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(chuàng)建目錄 print u'偷偷新建了名字叫做',path,u’的文件夾’ # 創(chuàng)建目錄操作函數(shù) os.makedirs(path) return True else: # 如果目錄存在則不創(chuàng)建，并提示目錄已存在 print u'名為',path,’的文件夾已經(jīng)創(chuàng)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(fā)現(xiàn)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(fā)現(xiàn)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?zhèn)€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(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持好吧啦網(wǎng)！