python爬虫获取京东手机图片的图文教程
作者:丢你刘某 时间:2023-12-24 08:29:21
如题,首先当然是要打开京东的手机页面
因为要获取不同页面的所有手机图片,所以我们要跳转到不同页面观察页面地址的规律,这里观察第二页页面
由观察可以得到,第二页的链接地址很有可能是
https://list.jd.com/list.html?cat=9987,653,655&page=2
那么对应第n页的地址就是
https://list.jd.com/list.html?cat=9987,653,655&page=n
我们就可以利用这个规律在编程的时候打开自己想要获取的页面了
接着我们查看页面的源代码,观察图片链接的规律
我们使用在源代码的页面使用ctrl+f查找,然后在查找框里面输入页面第一台手机的名字 “vivo X9s 全网通 4GB+64GB 玫瑰金 移动” 快速定位到图片链接附近的代码,便于后面编程对图片范围进行筛选
可以看到,上图的画红线的三个部分,<div id="plist" 在这一页中是唯一出现的一个元素,而且离图片链接比较近,所以可以作为筛选页面的开头位置
<img width=“220”……这个是手机图片的信息,我们要获取的是后面
//img14.360buyimg.com/n7/jfs/t6088/107/5539077608/409616/7f98b2bb/596c2edaN9792cd20.jpg
这个链接,但是观察发现后面也有一个图片链接
img data-sku="5291744" width="25" height="25" class="loading-style2" src="//img14.360buyimg.com/n9/jfs/t6088/107/5539077608/409616/7f98b2bb/596c2edaN9792cd20.jpg"
这个很明显不是我们要找的手机图片链接
所以我们要使用正则表达式将真正的图片链接筛选出来,观察发现这两个图片链接的区别在于手机图片链接里面含有n7元素,而另外一个图片链接含有n9元素,这样子我们的正则表达式就可以表示为pat2 = '//.+?/n7/.+?\.jpg'
接着我们要找到这个页面最后一张手机图片的位置,方便找出可以作为筛选页面的结束位置,方法和上面类似,在源代码搜索框输入 小米(MI) 红米Note4X 手机 香槟金 全网通 3GB+32GB 定位到页面最后一张图片位置
可以看到,下面<div class="page clearfix">在该页面中是唯一的,而且比较接近最后一张手机图片附近的链接,所以可以作为筛选结尾位置的元素,其实筛选的元素只要满足唯一并且接近我们要获取的目标,那么也可以作为我们要选取的元素
经过上面准备之后,我们得出了大概的思路
1首先进行第一次筛选,使用正则表达式pat1 = '<div id="plist".+<div class="page clearfix">'将图片链接的范围大概筛选出来
2然后进行第二次筛选,使用正则表达式pat2 = '//.+?/n7/.+?\.jpg'将手机图片链接筛选出来
3使用urllib.urlretrieve保存链接图片到本地
下面给出python代码
# -*- coding: UTF-8 -*-
import re
import urllib2
import urllib
def craw(url, page):
html1 = urllib2.urlopen(url).read()
html1 = str(html1)
pat1 = '<div id="plist".+<div class="page clearfix">'
result1 = re.compile(pat1, re.DOTALL).findall(html1)
#获取第一次筛选结果
result1 = result1[0]
#*匹配0个或者多个前面表达式
#.匹配任意字符,加上re.dotall包括换行符
#+匹配1个或者多个前面表达式
#?非贪婪匹配,就是只匹配一组
#筛选出图片链接列表
pat2 = '//.+?/n7/.+?\.jpg'
imagelist = re.compile(pat2).findall(result1)
#x作为图片文件的顺序
x=1
for imageurl in imagelist:
imagename = "C:/Users/Administrator/Desktop/jdphone_img/" + str(page) + str(x) + ".jpg"
imageurl = "http:" + imageurl
try:
#保存图片
urllib.urlretrieve(imageurl, filename=imagename)
except urllib2.URLError as e:
#hasattr判断对象里面是否有name属性
if hasattr(e, "code"):
x+=1
if hasattr(e, "reason"):
x+=1
x+=1
for i in range(1, 3):
url = "https://list.jd.com/list.html?cat=9987,653,655&page=" + str(i)
craw(url, i)
注意:我这里只保存了第一二页的手机图片,在进行第二次筛选的时候正则表达式之所以会加了一个"?"进行非贪婪匹配,也就是一次只筛选出一张手机图片链接,如果不加这个非贪婪匹配那么我们会把第一个含有“//”到最后一个结尾含有.jpg之间的所有内容都会筛选出来,显示是不符合的,在这里建议可以把正则表达式的?去掉,然后看一下输出结果,去体会一下非贪婪匹配是怎么样的。
来源:http://blog.csdn.net/qq_26614295/article/details/78918159
![](/images/zang.png)
![](/images/jiucuo.png)
猜你喜欢
python 爬虫如何实现百度翻译
![](https://img.aspxhome.com/file/2023/5/65415_0s.png)
django与小程序实现登录验证功能的示例代码
PHP chunk_split()函数讲解
![](https://img.aspxhome.com/file/2023/5/55395_0s.png)
python+numpy+matplotalib实现梯度下降法
![](https://img.aspxhome.com/file/2023/8/95918_0s.gif)
详细讲解MySQL数据库对文件操作的封装
浅谈Python数学建模之整数规划
![](https://img.aspxhome.com/file/2023/6/134796_0s.jpg)
ASP FSO显示特殊文件夹的实现代码(畸形目录名、UNC路径)
golang切片扩容规则实现
![](https://img.aspxhome.com/file/2023/9/134059_0s.jpg)
正则表达式的基本概念
Golang import本地包和导入问题相关详解
![](https://img.aspxhome.com/file/2023/2/103722_0s.png)
使用python 打开文件并做匹配处理的实例
搜索关键字加亮js实现方法
CentOS中安装python3.8.2的详细教程
![](https://img.aspxhome.com/file/2023/8/87728_0s.png)
Python Tkinter简单布局实例教程
![](https://img.aspxhome.com/file/2023/2/97532_0s.png)
用Oracle并行查询发挥多CPU的威力
Golang 编译成DLL文件的操作
在应用环境中如何构造最优的数据库模式
简单实用的图片播放器1.0(Javascript + css )
![](https://img.aspxhome.com/file/UploadPic/20087/16/meinv_67s.gif)