Python爬虫之爬取淘女郎照片示例详解

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

import urllib
import urllib2
import re

class 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="(.*?)" 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)

运行结果如下

3.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

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

2）写入文本

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

3）创建新目录

#创建新目录
def mkdir(self,path):
path = path.strip()
# 判断路径是否存在
# 存在  True
# 不存在 False
isExists=os.path.exists(path)
# 判断结果
if not isExists:
 # 如果不存在则创建目录
 # 创建目录操作函数
 os.makedirs(path)
 return True
else:
 # 如果目录存在则不创建，并提示目录已存在
 return False

4.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。

spider.py

import urllib
import urllib2
import re
import tool
import os

#抓取MM
class Spider:

#页面初始化
def __init__(self):
 self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'
 self.tool = tool.Tool()

#获取索引页面的内容
def getPage(self,pageIndex):
 url = self.siteURL + "?page=" + str(pageIndex)
 request = urllib2.Request(url)
 response = urllib2.urlopen(request)
 return response.read().decode('gbk')

#获取索引界面所有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="(.*?)" 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

#获取MM个人详情页面
def getDetailPage(self,infoURL):
 response = urllib2.urlopen(infoURL)
 return response.read().decode('gbk')

#获取个人文字简介
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))

#获取页面所有图片
def getAllImg(self,page):
 pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)
 #个人信息页面所有代码
 content = re.search(pattern,page)
 #从代码中提取图片
 patternImg = re.compile('<img.*?src="(.*?)"',re.S)
 images = re.findall(patternImg,content.group(1))
 return images

#保存多张写真图片
def saveImgs(self,images,name):
 number = 1
 print u"发现",name,u"共有",len(images),u"张照片"
 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

# 保存头像
def saveIcon(self,iconURL,name):
 splitPath = iconURL.split('.')
 fTail = splitPath.pop()
 fileName = name + "/icon." + fTail
 self.saveImg(iconURL,fileName)

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

#传入图片地址，文件名，保存单张图片
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张图片为",fileName
  f.close()

#创建新目录
def mkdir(self,path):
 path = path.strip()
 # 判断路径是否存在
 # 存在  True
 # 不存在 False
 isExists=os.path.exists(path)
 # 判断结果
 if not isExists:
  # 如果不存在则创建目录
  print u"偷偷新建了名字叫做",path,u'的文件夹'
  # 创建目录操作函数
  os.makedirs(path)
  return True
 else:
  # 如果目录存在则不创建，并提示目录已存在
  print u"名为",path,'的文件夹已经创建成功'
  return False

#将一页淘宝MM的信息保存起来
def savePageInfo(self,pageIndex):
 #获取第一页淘宝MM列表
 contents = self.getContents(pageIndex)
 for item in contents:
  #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
  print u"发现一位模特,名字叫",item[2],u"芳龄",item[3],u",她在",item[4]
  print u"正在偷偷地保存",item[2],"的信息"
  print u"又意外地发现她的个人地址是",item[0]
  #个人详情页面的URL
  detailURL = item[0]
  #得到个人详情页面代码
  detailPage = self.getDetailPage(detailURL)
  #获取个人简介
  brief = self.getBrief(detailPage)
  #获取所有图片列表
  images = self.getAllImg(detailPage)
  self.mkdir(item[2])
  #保存个人简介
  self.saveBrief(brief,item[2])
  #保存头像
  self.saveIcon(item[1],item[2])
  #保存图片
  self.saveImgs(images,item[2])

#传入起止页码，获取MM图片
def savePagesInfo(self,start,end):
 for i in range(start,end+1):
  print u"正在偷偷寻找第",i,u"个地方，看看MM们在不在"
  self.savePageInfo(i)

#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
spider = Spider()
spider.savePagesInfo(2,10)

tool.py

import re

#处理页面标签类
class Tool:
#去除img标签,1-7位空格,
removeImg = re.compile('<img.*?>| {1,7}| ')
#删除超链接标签
removeAddr = re.compile('<a.*?>|</a>')
#把换行的标签换为\n
replaceLine = re.compile('<tr>|<div>|</div>|</p>')
#将表格制表<td>替换为\t
replaceTD= re.compile('<td>')
#将换行符或双换行符替换为\n
replaceBR = re.compile('<br><br>|<br>')
#将其余标签剔除
removeExtraTag = re.compile('<.*?>')
#将多行空行删除
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()将前后多余内容删除
 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

来源：https://www.cnblogs.com/zwhy8/p/13391365.html