欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python爬虫入门教程 26-100 知乎文章图片爬取器之二

程序员文章站 2022-03-20 20:02:00
1. 知乎文章图片爬取器之二博客背景 昨天写了知乎文章图片爬取器的一部分代码,针对知乎问题的答案json进行了数据抓取,博客中出现了部分写死的内容,今天把那部分信息调整完毕,并且将图片下载完善到代码中去。 首先,需要获取任意知乎的问题,只需要你输入问题的ID,就可以获取相关的页面信息,比如最重要的合 ......

1. 知乎文章图片爬取器之二博客背景

昨天写了知乎文章图片爬取器的一部分代码,针对知乎问题的答案json进行了数据抓取,博客中出现了部分写死的内容,今天把那部分信息调整完毕,并且将图片下载完善到代码中去。

首先,需要获取任意知乎的问题,只需要你输入问题的id,就可以获取相关的页面信息,比如最重要的合计有多少人回答问题。
问题id为如下标红数字
29024583

编写代码,下面的代码用来检测用户输入的是否是正确的id,并且通过拼接url去获取该问题下面合计有多少答案。

import requests
import re
import pymongo
import time
database_ip = '127.0.0.1'
database_port = 27017
database_name = 'sun'
client = pymongo.mongoclient(database_ip,database_port)
db = client.sun
db.authenticate("dba", "dba")
collection = db.zhihuone  # 准备插入数据

base_url = "https://www.zhihu.com/question/{}"
def get_totle_answers(article_id):
    headers = {
        "user-agent": "需要自己补全 mozilla/5.0 (windows nt 10.0; wow64)"
    }

    with requests.session() as s:
        with s.get(base_url.format(article_id),headers=headers,timeout=3) as rep:
            html = rep.text
            pattern =re.compile( '<meta itemprop="answercount" content="(\d*?)"/>')
            s = pattern.search(html)
            print("查找到{}条数据".format(s.groups()[0]))
            return s.groups()[0]

if __name__ == '__main__':

    # 用死循环判断用户输入的是否是数字
    article_id = ""
    while not article_id.isdigit():
        article_id = input("请输入文章id:")

    totle = get_totle_answers(article_id)
    if int(totle)>0:
        zhi = zhihuone(article_id,totle)
        zhi.run()
    else:
        print("没有任何数据!")

完善图片下载部分,图片下载地址在查阅过程中发现,存在json字段的content中,我们采用简单的正则表达式将他匹配出来。细节如下图展示

Python爬虫入门教程 26-100 知乎文章图片爬取器之二

编写代码吧,下面的代码注释请仔细阅读,中间有一个小bug,需要手动把pic3修改为pic2这个地方目前原因不明确,可能是我本地网络的原因,还有请在项目根目录先创建一个imgs的文件夹,用来存储图片

    def download_img(self,data):
        ## 下载图片
        for item in data["data"]:
            content = item["content"]
            pattern = re.compile('<noscript>(.*?)</noscript>')
            imgs = pattern.findall(content)
            if len(imgs) > 0:
                for img in imgs:
                    match = re.search('<img src="(.*?)"', img)
                    download = match.groups()[0]
                    download = download.replace("pic3", "pic2")  # 小bug,pic3的下载不到

                    print("正在下载{}".format(download), end="")
                    try:
                        with requests.session() as s:
                            with s.get(download) as img_down:
                                # 获取文件名称
                                file = download[download.rindex("/") + 1:]

                                content = img_down.content
                                with open("imgs/{}".format(file), "wb+") as f:  # 这个地方进行了硬编码
                                    f.write(content)

                                print("图片下载完成", end="\n")

                    except exception as e:
                        print(e.args)



            else:
                pass

运行结果为

Python爬虫入门教程 26-100 知乎文章图片爬取器之二

然后在玩知乎的过程中,发现了好多好问题
Python爬虫入门教程 26-100 知乎文章图片爬取器之二

Python爬虫入门教程 26-100 知乎文章图片爬取器之二