利用Python写一个爬妹子的爬虫

前言

最近学完python，写了几个爬虫练练手，网上的教程有很多，但是有的已经不能爬了，主要是网站经常改，可是爬虫还是有通用的思路的，即下载数据、解析数据、保存数据。下面一一来讲。

1.下载数据

首先打开要爬的网站，分析url，每打开一个网页看url有什么变化，有可能带上上个网页的某个数据，例如xxid之类，那么我们就需要在上一个页面分析html，找到对应的数据。如果网页源码找不到，可能是ajax异步加载，去xhr里去找。

 

有的网站做了反爬的处理，可以添加user-agent ：判断浏览器

self.user_agent = 'mozilla/4.0 (compatible; msie 5.5; windows nt)'
# 初始化 headers
self.headers = {'user-agent': self.user_agent}

如果不行，在chrome上按f12分析请求头、请求体，看需不需要添加别的信息，例如有的网址添加了referer：记住当前网页的来源，那么我们在请求的时候就可以带上。按ctrl + shift + c，可以定位元素在html上的位置

动态网页

有一些网页是动态网页，我们得到网页的时候，数据还没请求到呢，当然什么都提取不出来，用python 解决这个问题只有两种途径：直接从javascript 代码里采集内容，或者用python 的第三方库运行javascript，直接采集你在浏览器里看到的页面。

1.找请求，看返回的内容，网页的内容可能就在这里。然后可以复制请求，复杂的网址中，有些乱七八糟的可以删除，有意义的部分保留。切记删除一小部分后先尝试能不能打开网页，如果成功再删减，直到不能删减。

2.selenium：是一个强大的网络数据采集工具（但是速度慢），其最初是为网站自动化测试而开发的。近几年，它还被广泛用于获取精确的网站快照，因为它们可以直接运行在浏览器上。selenium 库是一个在webdriver 上调用的api。

webdriver 有点儿像可以加载网站的浏览器，但是它也可以像beautifulsoup对象一样用来查找页面元素，与页面上的元素进行交互（发送文本、点击等），以及执行其他动作来运行网络爬虫。

phantomjs：是一个“无头”（headless）浏览器。它会把网站加载到内存并执行页面上的javascript，但是它不会向用户展示网页的图形界面。把selenium和phantomjs 结合在一起，就可以运行一个非常强大的网络爬虫了，可以处理cookie、javascript、header，以及任何你需要做的事情。

下载数据的模块有urllib、urllib2及requests

requests相比其他俩个的话，支持http连接保持和连接池，支持使用cookie保持会话，支持文件上传，支持自 动确定响应内容的编码，支持国际化的 url 和 post 数据自动编码，而且api相对来说也简单，但是requests直接使用不能异步调用，速度慢。

html = requests.get(url, headers=headers) #没错，就是这么简单

urllib2以我爬取淘宝的妹子例子来说明： 

user_agent = 'mozilla/4.0 (compatible; msie 5.5; windows nt)'
headers = {'user-agent': user_agent}
# 注意：form data请求参数
params = 'q&viewflag=a&sorttype=default&searchstyle=&searchregion=city%3a&searchfansnum=&currentpage=1&pagesize=100'
 
 
def gethome():
 url = 'https://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8'
 req = urllib2.request(url, headers=headers)
 # decode（'utf - 8'）解码 把其他编码转换成unicode编码
 # encode('gbk') 编码 把unicode编码转换成其他编码
 # ”gbk”.decode('gbk').encode('utf - 8')
 # unicode = 中文
 # gbk = 英文
 # utf - 8 = 日文
 # 英文一 > 中文一 > 日文,unicode相当于转化器
 html = urllib2.urlopen(req, data=params).read().decode('gbk').encode('utf-8')
 # json转对象
 peoples = json.loads(html)
 for i in peoples['data']['searchdolist']:
 #去下一个页面获取数据
 getuseinfo(i['userid'], i['realname'])

2.解析数据

解析数据也有很多方式，我只看了beautifulsoup和正则，这个例子是用正则来解析的

def getuseinfo(userid, realname):
 url = 'https://mm.taobao.com/self/aishow.htm?userid=' + str(userid)
 req = urllib2.request(url)
 html = urllib2.urlopen(req).read().decode('gbk').encode('utf-8')
 
 pattern = re.compile('<img.*?src=(.*?)/>', re.s)
 items = re.findall(pattern, html)
 x = 0
 for item in items:
 if re.match(r'.*(.jpg")$', item.strip()):
 tt = 'http:' + re.split('"', item.strip())[1]
 down_image(tt, x, realname)
 x = x + 1
 print('下载完毕')

正则表达式说明

match：匹配string 开头，成功返回match object, 失败返回none，只匹配一个。

search：在string中进行搜索，成功返回match object, 失败返回none, 只匹配一个。

findall：在string中查找所有 匹配成功的组, 即用括号括起来的部分。返回list对象，每个list item是由每个匹配的所有组组成的list。

     1）.*? 是一个固定的搭配，.和*代表可以匹配任意无限多个字符，加上？表示使用非贪婪模式进行匹配，也就是我们会尽可能短地做匹配

     2）(.*?)代表一个分组，如果有5个(.*?)就说明匹配了五个分组

     3） 正则表达式中，“.”的作用是匹配除“\n”以外的任何字符，也就是说，它是在一行中进行匹配。这里的“行”是以“\n”进行区分的。html标签每行的末尾有一个“\n”，不过它不可见。 如果不使用re.s参数，则只在每一行内进行匹配，如果一行没有，就换下一行重新开始，不会跨行。而使用re.s参数以后，正则表达式会将这个字符串作为一个整体，将“\n”当做一个普通的字符加入到这个字符串中，在整体中进行匹配。

3.保存数据

数据解析后可以保存到文件或数据库中，这个例子是保存到了文件中，很简单，就不做说明了，在下篇讲如何将数据保存到数据库

def down_image(url, filename, realname):
 req = urllib2.request(url=url)
 folder = 'e:\\images\\%s' % realname
 if os.path.isdir(folder):
 pass
 else:
 os.makedirs(folder)
 
 f = folder + '\\%s.jpg' % filename
 if not os.path.isfile(f):
 print f
 binary_data = urllib2.urlopen(req).read()
 with open(f, 'wb') as temp_file:
 temp_file.write(binary_data)

github地址，还有其他网站爬虫，欢迎star：https://github.com/peiniwan/creepertest （本地下载）

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对的支持。