Python爬虫实战之抓取淘宝MM照片
程序员文章站
2022-05-29 10:09:37
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?p ......
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,
9 removeimg = re.compile('<img.*?>| {1,7}| ')
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！！
上一篇： MySQL数据库的特点和优势
下一篇： pymysql模块