福利啊福利,本次為大家?guī)淼捻?xiàng)目是抓取淘寶 MM 照片并保存起來,大家有沒有很激動(dòng)呢?
本篇目標(biāo)
抓取淘寶 MM 的姓名,頭像,年齡
抓取每一個(gè)MM的資料簡(jiǎn)介以及寫真圖片
把每一個(gè)MM的寫真圖片按照文件夾保存到本地
在這里我們用到的URL是 http://mm.taobao.com/json/request_top_list.htm?page=1,問號(hào)前面是基地址,后面的參數(shù)page是代表第幾頁(yè),可以隨意更換地址。點(diǎn)擊開之后,會(huì)發(fā)現(xiàn)有一些淘寶MM的簡(jiǎn)介,并附有超鏈接鏈接到個(gè)人詳情頁(yè)面。
我們需要抓取本頁(yè)面的頭像地址,MM 姓名,MM 年齡,MM 居住地,以及 MM 的個(gè)人詳情頁(yè)面地址。
相信大家經(jīng)過上幾次的實(shí)戰(zhàn),對(duì)抓取和提取頁(yè)面的地址已經(jīng)非常熟悉了,這里沒有什么難度了,我們首先抓取本頁(yè)面的MM詳情頁(yè)面地址,姓名,年齡等等的信息打印出來,直接貼代碼如下
__author__ = 'CQC'
\# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
class Spider:
def __init__(self):
self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'
def getPage(self,pageIndex):
url = self.siteURL + "?page=" + str(pageIndex)
print url
request = urllib2.Request(url)
response = urllib2.urlopen(request)
return response.read().decode('gbk')
def getContents(self,pageIndex):
page = self.getPage(pageIndex)
pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)
items = re.findall(pattern,page)
for item in items:
print item[0],item[1],item[2],item[3],item[4]
spider = Spider()
spider.getContents(1)
運(yùn)行結(jié)果如下
http://wiki.jikexueyuan.com/project/python-crawler-guide/images/20.png" alt="" />
在這里,我們有寫入圖片和寫入文本兩種方式
\#傳入圖片地址,文件名,保存單張圖片
def saveImg(self,imageURL,fileName):
u = urllib.urlopen(imageURL)
data = u.read()
f = open(fileName, 'wb')
f.write(data)
f.close()
def saveBrief(self,content,name):
fileName = name + "/" + name + ".txt"
f = open(fileName,"w+")
print u"正在偷偷保存她的個(gè)人信息為",fileName
f.write(content.encode('utf-8'))
\#創(chuàng)建新目錄
def mkdir(self,path):
path = path.strip()
\# 判斷路徑是否存在
\# 存在 True
\# 不存在 False
isExists=os.path.exists(path)
\# 判斷結(jié)果
if not isExists:
\# 如果不存在則創(chuàng)建目錄
\# 創(chuàng)建目錄操作函數(shù)
os.makedirs(path)
return True
else:
\# 如果目錄存在則不創(chuàng)建,并提示目錄已存在
return False
主要的知識(shí)點(diǎn)已經(jīng)在前面都涉及到了,如果大家前面的章節(jié)都已經(jīng)看了,完成這個(gè)爬蟲不在話下,具體的詳情在此不再贅述,直接帖代碼啦。
spider.py
__author__ = 'CQC'
\# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
import tool
import os
\#抓取MM
class Spider:
\#頁(yè)面初始化
def __init__(self):
self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'
self.tool = tool.Tool()
\#獲取索引頁(yè)面的內(nèi)容
def getPage(self,pageIndex):
url = self.siteURL + "?page=" + str(pageIndex)
request = urllib2.Request(url)
response = urllib2.urlopen(request)
return response.read().decode('gbk')
\#獲取索引界面所有MM的信息,list格式
def getContents(self,pageIndex):
page = self.getPage(pageIndex)
pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)
items = re.findall(pattern,page)
contents = []
for item in items:
contents.append([item[0],item[1],item[2],item[3],item[4]])
return contents
\#獲取MM個(gè)人詳情頁(yè)面
def getDetailPage(self,infoURL):
response = urllib2.urlopen(infoURL)
return response.read().decode('gbk')
\#獲取個(gè)人文字簡(jiǎn)介
def getBrief(self,page):
pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)
result = re.search(pattern,page)
return self.tool.replace(result.group(1))
\#獲取頁(yè)面所有圖片
def getAllImg(self,page):
pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)
\#個(gè)人信息頁(yè)面所有代碼
content = re.search(pattern,page)
\#從代碼中提取圖片
patternImg = re.compile('<img.*?src="(.*?)"',re.S)
images = re.findall(patternImg,content.group(1))
return images
\#保存多張寫真圖片
def saveImgs(self,images,name):
number = 1
print u"發(fā)現(xiàn)",name,u"共有",len(images),u"張照片"
for imageURL in images:
splitPath = imageURL.split('.')
fTail = splitPath.pop()
if len(fTail) > 3:
fTail = "jpg"
fileName = name + "/" + str(number) + "." + fTail
self.saveImg(imageURL,fileName)
number += 1
\# 保存頭像
def saveIcon(self,iconURL,name):
splitPath = iconURL.split('.')
fTail = splitPath.pop()
fileName = name + "/icon." + fTail
self.saveImg(iconURL,fileName)
\#保存?zhèn)€人簡(jiǎn)介
def saveBrief(self,content,name):
fileName = name + "/" + name + ".txt"
f = open(fileName,"w+")
print u"正在偷偷保存她的個(gè)人信息為",fileName
f.write(content.encode('utf-8'))
\#傳入圖片地址,文件名,保存單張圖片
def saveImg(self,imageURL,fileName):
u = urllib.urlopen(imageURL)
data = u.read()
f = open(fileName, 'wb')
f.write(data)
print u"正在悄悄保存她的一張圖片為",fileName
f.close()
\#創(chuàng)建新目錄
def mkdir(self,path):
path = path.strip()
\# 判斷路徑是否存在
\# 存在 True
\# 不存在 False
isExists=os.path.exists(path)
\# 判斷結(jié)果
if not isExists:
\# 如果不存在則創(chuàng)建目錄
print u"偷偷新建了名字叫做",path,u'的文件夾'
\# 創(chuàng)建目錄操作函數(shù)
os.makedirs(path)
return True
else:
\# 如果目錄存在則不創(chuàng)建,并提示目錄已存在
print u"名為",path,'的文件夾已經(jīng)創(chuàng)建成功'
return False
\#將一頁(yè)淘寶MM的信息保存起來
def savePageInfo(self,pageIndex):
\#獲取第一頁(yè)淘寶MM列表
contents = self.getContents(pageIndex)
for item in contents:
#item[0]個(gè)人詳情URL,item[1]頭像URL,item[2]姓名,item[3]年齡,item[4]居住地
print u"發(fā)現(xiàn)一位模特,名字叫",item[2],u"芳齡",item[3],u",她在",item[4]
print u"正在偷偷地保存",item[2],"的信息"
print u"又意外地發(fā)現(xiàn)她的個(gè)人地址是",item[0]
\#個(gè)人詳情頁(yè)面的URL
detailURL = item[0]
\#得到個(gè)人詳情頁(yè)面代碼
detailPage = self.getDetailPage(detailURL)
\#獲取個(gè)人簡(jiǎn)介
brief = self.getBrief(detailPage)
\#獲取所有圖片列表
images = self.getAllImg(detailPage)
self.mkdir(item[2])
\#保存?zhèn)€人簡(jiǎn)介
self.saveBrief(brief,item[2])
\#保存頭像
self.saveIcon(item[1],item[2])
\#保存圖片
self.saveImgs(images,item[2])
\#傳入起止頁(yè)碼,獲取MM圖片
def savePagesInfo(self,start,end):
for i in range(start,end+1):
print u"正在偷偷尋找第",i,u"個(gè)地方,看看MM們?cè)诓辉?
self.savePageInfo(i)
\#傳入起止頁(yè)碼即可,在此傳入了2,10,表示抓取第2到10頁(yè)的MM
spider = Spider()
spider.savePagesInfo(2,10)
tool.py
__author__ = 'CQC'
\#-*- coding:utf-8 -*-
import re
\#處理頁(yè)面標(biāo)簽類
class Tool:
\#去除img標(biāo)簽,1-7位空格,
removeImg = re.compile('<img.*?>| {1,7}| ')
\#刪除超鏈接標(biāo)簽
removeAddr = re.compile('<a.*?>|</a>')
\#把換行的標(biāo)簽換為\n
replaceLine = re.compile('<tr>|<div>|</div>|</p>')
\#將表格制表<td>替換為\t
replaceTD= re.compile('<td>')
\#將換行符或雙換行符替換為\n
replaceBR = re.compile('<br><br>|<br>')
\#將其余標(biāo)簽剔除
removeExtraTag = re.compile('<.*?>')
\#將多行空行刪除
removeNoneLine = re.compile('\n+')
def replace(self,x):
x = re.sub(self.removeImg,"",x)
x = re.sub(self.removeAddr,"",x)
x = re.sub(self.replaceLine,"\n",x)
x = re.sub(self.replaceTD,"\t",x)
x = re.sub(self.replaceBR,"\n",x)
x = re.sub(self.removeExtraTag,"",x)
x = re.sub(self.removeNoneLine,"\n",x)
#strip()將前后多余內(nèi)容刪除
return x.strip()
以上兩個(gè)文件就是所有的代碼內(nèi)容,運(yùn)行一下試試看,那叫一個(gè)酸爽啊
http://wiki.jikexueyuan.com/project/python-crawler-guide/images21.png" alt="" />
看看文件夾里面有什么變化
http://wiki.jikexueyuan.com/project/python-crawler-guide/images/22.png" alt="" />
http://wiki.jikexueyuan.com/project/python-crawler-guide/images/23.png" alt="" />
不知不覺,海量的MM圖片已經(jīng)進(jìn)入了你的電腦,還不快快去試試看?。?/p>