python2爬取百度贴吧指定关键字和图片代码实例
作者:silence-cc 时间:2022-10-12 09:03:44
目的:在百度贴吧输入关键字和要查找的起始结束页,获取帖子里面楼主所发的图片
思路:
获取分页里面的帖子链接列表
获取帖子里面楼主所发的图片链接列表
保存图片到本地
注意事项:
问题:在谷歌浏览器使用xpath helper插件时有匹配结果,但在程序里面使用python内带的xpath匹配却为空的原因。
原因:不同服务器会对不同的浏览器返回不同的数据,导致在谷歌浏览器看到的和服务器返回的有区别
解决方法:使用IE浏览器的User-agenet,而且越老的版本,报错几率相对越小
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import urllib2
import urllib
import os
from lxml import etree
keyword = raw_input('请输入要查询的关键字: ')
keyword = {'kw':keyword}
kw = urllib.urlencode(keyword)
startpage = raw_input('请输入开始页数: ')
endpage = raw_input('请输入结束页数: ')
url = 'https://tieba.baidu.com/f' + '?' + kw
print('开始下载...')
# 计算下载的图片个数,注意:变量n如放在最外层循环,可以统计每个分页图片个数
n = 0
# 获取分页里面帖子链接列表,获取每个帖子里楼主所发的图片链接列表,保存图片
# 获取帖子链接列表
for page in range(int(startpage),int(endpage)+1):
pnumber = {'pn': str((page - 1)*50)}
pnumber = urllib.urlencode(pnumber)
fullurl = url + '&' + pnumber
# 发现使用谷歌浏览器的User-Agent,会导致后面的xpath匹配结果有时为空。原因:服务器会对不同的浏览器发出的同一请求返回不同格式的数据,此时返回的数据和在谷歌浏览器里面看到的数据不同。
# 解决办法:使用IE浏览器的User-Agent,因为IE的相对来说更标准,而且版本越老问题越少。
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; rv:11.0) like Gecko"}
request = urllib2.Request(fullurl,headers=headers)
response = urllib2.urlopen(request)
html = response.read()
# 解析html 为 HTML DOM文档
content = etree.HTML(html)
# xpath使用下面括号内容进行匹配,使用a的属性使用了class='j_th_tit'去过滤广告则匹配结果为空;换成a的属性rel="noreferrer"就解决。为啥换不清楚。思路,这个属性不行换个属性。
# 获取每个分页里面的帖子的链接列表
link_list = content.xpath('//div[@class="threadlist_lz clearfix"]/div/a[@rel="noreferrer"]/@href')
# 获取该帖子楼主所发的图片链接列表
for link in link_list:
link = 'https://tieba.baidu.com' + link
request2 = urllib2.Request(link,headers=headers)
response2 = urllib2.urlopen(request2)
html2 = response2.read()
# 把html字符串解析为html dom
content2 = etree.HTML(html2)
# 使用xpath匹配其里面层主所发的图片的链接
link_list2 = content2.xpath('//img[@class="BDE_Image"]/@src')
# 遍历图片链接列表,保存图片到文件夹images内
for link2 in link_list2:
request3 = urllib2.Request(link2,headers=headers)
response3 = urllib2.urlopen(request3)
html3 = response3.read()
# 指定文件名
filename = link2[-10:]
n += 1
print('正在保存第 %3d 张图片'%n)
# html3为返回的图片内容,把图片写入images2文件夹内
with open('images' + '/' + filename,'wb') as f:
f.write(html3)
print('下载结束!')
来源:https://www.cnblogs.com/silence-cc/p/9232989.html
标签:python,爬取,百度,贴吧,关键字,图片
![](/images/zang.png)
![](/images/jiucuo.png)
猜你喜欢
详解python中的json的基本使用方法
2022-03-15 22:29:13
Python爬取酷狗MP3音频的步骤
2022-04-07 03:15:21
python 还原梯度下降算法实现一维线性回归
2023-10-09 21:53:42
![](https://img.aspxhome.com/file/2023/3/64633_0s.png)
asp.net C#实现解压缩文件的方法
2023-07-14 10:34:01
教你用Python读取CSV文件的5种方式
2022-12-11 15:32:51
![](https://img.aspxhome.com/file/2023/1/75331_0s.png)
golang中sync.Map并发创建、读取问题实战记录
2023-07-16 12:23:27
python聊天室(虽然很简洁,但是可以用)
2021-05-21 01:10:46
![](https://img.aspxhome.com/file/2023/0/84120_0s.png)
一些让Python代码简洁的实用技巧总结
2022-02-06 11:03:25
django xadmin中form_layout添加字段显示方式
2023-08-06 23:59:12
![](https://img.aspxhome.com/file/2023/0/76070_0s.jpg)
数据库安全应用 使用MySQL的23个注意事项
2009-05-13 10:27:00
Python 实现判断图片格式并转换,将转换的图像存到生成的文件夹中
2023-07-19 04:13:23
Golang中interface的基本用法详解
2023-07-14 17:00:33
![](https://img.aspxhome.com/file/2023/7/99637_0s.png)
10 分钟快速入门 Python3的教程
2022-01-17 21:14:04
针对SQL Server中业务规则链接的分析
2009-01-20 11:43:00
利用Opencv实现图片的油画特效实例
2022-01-26 14:31:59
![](https://img.aspxhome.com/file/2023/0/81530_0s.jpg)
使用python实现男神女神颜值打分系统(推荐)
2021-07-17 23:06:57
![](https://img.aspxhome.com/file/2023/3/80733_0s.jpg)
python基础入门学习笔记(Python环境搭建)
2022-01-12 20:27:48
![](https://img.aspxhome.com/file/2023/2/71502_0s.png)
Python模块的定义,模块的导入,__name__用法实例分析
2023-07-13 13:11:00
![](https://img.aspxhome.com/file/2023/0/61180_0s.png)
PHP实现无限极分类的两种方式示例【递归和引用方式】
2023-11-15 18:26:33
PHP实现上传文件并存进数据库的方法
2023-07-03 21:35:14