Python爬虫实战之抓取淘宝MM照片

本篇目标

1.抓取淘宝MM的姓名，头像，年龄

2.抓取每一个MM的资料简介以及写真图片

3.把每一个MM的写真图片按照文件夹保存到本地

4.熟悉文件保存的过程

1.URL的格式

在这里我们用到的URL是 http://mm.taobao.com/json/request_top_list.htm?page=1，问号前面是基地址，后面的参数page是代表第几页，可以随意更换地址。点击开之后，会发现有一些淘宝MM的简介，并附有超链接链接到个人详情页面。

我们需要抓取本页面的头像地址，MM姓名，MM年龄，MM居住地，以及MM的个人详情页面地址。

2.抓取简要信息

相信大家经过上几次的实战，对抓取和提取页面的地址已经非常熟悉了，这里没有什么难度了，我们首先抓取本页面的MM详情页面地址，姓名，年龄等等的信息打印出来，直接贴代码如下

 1 '''
 2 在学习过程中有什么不懂得可以加我的
 3 python学习交流扣扣qun，934109170
 4 群里有不错的学习教程、开发工具与电子书籍。
 5 与你分享python企业当下人才需求及怎么从零基础学习好python，和学习什么内容。
 6 '''
 7 __author__ = 'CQC'
 8 # -*- coding:utf-8 -*-
 9
10 import urllib
11 import urllib2
12 import re
13
14 class Spider:
15
16     def __init__(self):
17         self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'
18
19     def getPage(self,pageIndex):
20         url = self.siteURL + "?page=" + str(pageIndex)
21         print url
22         request = urllib2.Request(url)
23         response = urllib2.urlopen(request)
24         return response.read().decode('gbk')
25
26     def getContents(self,pageIndex):
27         page = self.getPage(pageIndex)
28         pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)
29         items = re.findall(pattern,page)
30         for item in items:
31             print item[0],item[1],item[2],item[3],item[4]
32
33 spider = Spider()
34 spider.getContents(1)

运行结果如下

2.文件写入简介

在这里，我们有写入图片和写入文本两种方式

1）写入图片

1
2 #传入图片地址，文件名，保存单张图片
3 def saveImg(self,imageURL,fileName):
4      u = urllib.urlopen(imageURL)
5      data = u.read()
6      f = open(fileName, 'wb')
7      f.write(data)
8      f.close()

2）写入文本

1 def saveBrief(self,content,name):
2 fileName = name + "/" + name + ".txt"
3 f = open(fileName,"w+")
4 print u"正在偷偷保存她的个人信息为",fileName
5 f.write(content.encode('utf-8'))

3）创建新目录

 1
 2 #创建新目录
 3 def mkdir(self,path):
 4     path = path.strip()
 5     # 判断路径是否存在
 6     # 存在     True
 7     # 不存在   False
 8     isExists=os.path.exists(path)
 9     # 判断结果
10     if not isExists:
11         # 如果不存在则创建目录
12         # 创建目录操作函数
13         os.makedirs(path)
14         return True
15     else:
16         # 如果目录存在则不创建，并提示目录已存在
17         return False

3.代码完善

主要的知识点已经在前面都涉及到了，如果大家前面的章节都已经看了，完成这个爬虫不在话下，具体的详情在此不再赘述，直接帖代码啦。

  1
  2 __author__ = 'CQC'
  3 # -*- coding:utf-8 -*-
  4
  5 import urllib
  6 import urllib2
  7 import re
  8 import tool
  9 import os
 10
 11 #抓取MM
 12 class Spider:
 13
 14     #页面初始化
 15     def __init__(self):
 16         self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'
 17         self.tool = tool.Tool()
 18
 19     #获取索引页面的内容
 20     def getPage(self,pageIndex):
 21         url = self.siteURL + "?page=" + str(pageIndex)
 22         request = urllib2.Request(url)
 23         response = urllib2.urlopen(request)
 24         return response.read().decode('gbk')
 25
 26     #获取索引界面所有MM的信息，list格式
 27     def getContents(self,pageIndex):
 28         page = self.getPage(pageIndex)
 29         pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)
 30         items = re.findall(pattern,page)
 31         contents = []
 32         for item in items:
 33             contents.append([item[0],item[1],item[2],item[3],item[4]])
 34         return contents
 35
 36     #获取MM个人详情页面
 37     def getDetailPage(self,infoURL):
 38         response = urllib2.urlopen(infoURL)
 39         return response.read().decode('gbk')
 40
 41     #获取个人文字简介
 42     def getBrief(self,page):
 43         pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)
 44         result = re.search(pattern,page)
 45         return self.tool.replace(result.group(1))
 46
 47     #获取页面所有图片
 48     def getAllImg(self,page):
 49         pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)
 50         #个人信息页面所有代码
 51         content = re.search(pattern,page)
 52         #从代码中提取图片
 53         patternImg = re.compile('<img.*?src="(.*?)"',re.S)
 54         images = re.findall(patternImg,content.group(1))
 55         return images
 56
 57
 58     #保存多张写真图片
 59     def saveImgs(self,images,name):
 60         number = 1
 61         print u"发现",name,u"共有",len(images),u"张照片"
 62         for imageURL in images:
 63             splitPath = imageURL.split('.')
 64             fTail = splitPath.pop()
 65             if len(fTail) > 3:
 66                 fTail = "jpg"
 67             fileName = name + "/" + str(number) + "." + fTail
 68             self.saveImg(imageURL,fileName)
 69             number += 1
 70
 71     # 保存头像
 72     def saveIcon(self,iconURL,name):
 73         splitPath = iconURL.split('.')
 74         fTail = splitPath.pop()
 75         fileName = name + "/icon." + fTail
 76         self.saveImg(iconURL,fileName)
 77
 78     #保存个人简介
 79     def saveBrief(self,content,name):
 80         fileName = name + "/" + name + ".txt"
 81         f = open(fileName,"w+")
 82         print u"正在偷偷保存她的个人信息为",fileName
 83         f.write(content.encode('utf-8'))
 84
 85
 86     #传入图片地址，文件名，保存单张图片
 87     def saveImg(self,imageURL,fileName):
 88          u = urllib.urlopen(imageURL)
 89          data = u.read()
 90          f = open(fileName, 'wb')
 91          f.write(data)
 92          print u"正在悄悄保存她的一张图片为",fileName
 93          f.close()
 94
 95     #创建新目录
 96     def mkdir(self,path):
 97         path = path.strip()
 98         # 判断路径是否存在
 99         # 存在     True
100         # 不存在   False
101         isExists=os.path.exists(path)
102         # 判断结果
103         if not isExists:
104             # 如果不存在则创建目录
105             print u"偷偷新建了名字叫做",path,u'的文件夹'
106             # 创建目录操作函数
107             os.makedirs(path)
108             return True
109         else:
110             # 如果目录存在则不创建，并提示目录已存在
111             print u"名为",path,'的文件夹已经创建成功'
112             return False
113
114     #将一页淘宝MM的信息保存起来
115     def savePageInfo(self,pageIndex):
116         #获取第一页淘宝MM列表
117         contents = self.getContents(pageIndex)
118         for item in contents:
119             #item[0]个人详情URL,item[1]头像URL,item[2]姓名,item[3]年龄,item[4]居住地
120             print u"发现一位模特,名字叫",item[2],u"芳龄",item[3],u",她在",item[4]
121             print u"正在偷偷地保存",item[2],"的信息"
122             print u"又意外地发现她的个人地址是",item[0]
123             #个人详情页面的URL
124             detailURL = item[0]
125             #得到个人详情页面代码
126             detailPage = self.getDetailPage(detailURL)
127             #获取个人简介
128             brief = self.getBrief(detailPage)
129             #获取所有图片列表
130             images = self.getAllImg(detailPage)
131             self.mkdir(item[2])
132             #保存个人简介
133             self.saveBrief(brief,item[2])
134             #保存头像
135             self.saveIcon(item[1],item[2])
136             #保存图片
137             self.saveImgs(images,item[2])
138
139     #传入起止页码，获取MM图片
140     def savePagesInfo(self,start,end):
141         for i in range(start,end+1):
142             print u"正在偷偷寻找第",i,u"个地方，看看MM们在不在"
143             self.savePageInfo(i)
144
145
146 #传入起止页码即可，在此传入了2,10,表示抓取第2到10页的MM
147 spider = Spider()
148 spider.savePagesInfo(2,10)

 1
 2 __author__ = 'CQC'
 3 #-*- coding:utf-8 -*-
 4 import re
 5
 6 #处理页面标签类
 7 class Tool:
 8     #去除img标签,1-7位空格,&nbsp;
 9     removeImg = re.compile('<img.*?>| {1,7}|&nbsp;')
10     #删除超链接标签
11     removeAddr = re.compile('<a.*?>|</a>')
12     #把换行的标签换为\n
13     replaceLine = re.compile('<tr>|<div>|</div>|</p>')
14     #将表格制表<td>替换为\t
15     replaceTD= re.compile('<td>')
16     #将换行符或双换行符替换为\n
17     replaceBR = re.compile('<br><br>|<br>')
18     #将其余标签剔除
19     removeExtraTag = re.compile('<.*?>')
20     #将多行空行删除
21     removeNoneLine = re.compile('\n+')
22     def replace(self,x):
23         x = re.sub(self.removeImg,"",x)
24         x = re.sub(self.removeAddr,"",x)
25         x = re.sub(self.replaceLine,"\n",x)
26         x = re.sub(self.replaceTD,"\t",x)
27         x = re.sub(self.replaceBR,"\n",x)
28         x = re.sub(self.removeExtraTag,"",x)
29         x = re.sub(self.removeNoneLine,"\n",x)
30         #strip()将前后多余内容删除
31         return x.strip()

以上两个文件就是所有的代码内容，运行一下试试看，那叫一个酸爽啊

看看文件夹里面有什么变化

不知不觉，海量的MM图片已经进入了你的电脑，还不快快去试试看！！

转载于:https://www.cnblogs.com/xiaoyiq/p/11319685.html