自学Python九 爬虫实战二(美图福利)
作为一个新世纪有思想有文化有道德时刻准备着的屌丝男青年，在现在这样一个社会中，心疼我大慢播抵制大百度的前提下，没事儿上上网逛逛YY看看斗鱼翻翻美女图片那是必不可少的，可是美图虽多翻页费劲！今天我们就搞个爬虫把美图都给扒下来！本次实例有2个：煎蛋上的妹子图，某网站的rosi图。我只是一个学习python的菜鸟，技术不可耻，技术是无罪的！！！
煎蛋：
先说说程序的流程：获取煎蛋妹子图URL，得到网页代码，提取妹子图片地址，访问图片地址并将图片保存到本地。Ready？ 先让我们看看煎蛋妹子网页：
我们得到URL为：http://jandan.net/ooxx/page-1764#comments 1764就是页码， 首先我们要得到最新的页码，然后向前寻找，然后得到每页中图片的url。下面我们分析网站代码写出正则表达式！
根据之前文章的方法我们写出如下函数getNewPage：
1 def __getNewPage(self):2 pageCode = self.Get(self.__Url)
3 type = sys.getfilesystemencoding()
4 pattern = re.compile(r\'<div .*?cp-pagenavi">.*?<span .*?current-comment-page">\[(.*?)\]</span>\',re.S)
5 newPage = re.search(pattern,pageCode.decode("UTF-8").encode(type))
6 print pageCode.decode("UTF-8").encode(type)
7 if newPage != None:
8 return newPage.group(1)
9 return 1500
不要问我为什么如果失败返回1500。。。 因为煎蛋把1500页之前的图片都给吃了。 你也可以返回0。接下来是图片的
1 def __getAllPicUrl(self,pageIndex):2 realurl = self.__Url + "page-" + str(pageIndex) + "#comments"
3 pageCode = self.Get(realurl)
4 type = sys.getfilesystemencoding()
5 pattern = re.compile(\'<p>.*?<a .*?view_img_link">.*?</a>.*?<img src="(.*?)".*?</p>\',re.S)
6 items = re.findall(pattern,pageCode.decode("UTF-8").encode(type))
7 for item in items:
8 print item
好了，得到了图片地址，接下来就是访问图片地址然后保存图片了：
1 def __savePics(self,img_addr,folder):2 for item in img_addr:
3 filename = item.split(\'/\')[-1]
4 print "正在保存图片：" + filename
5 with open(filename,\'wb\') as file:
6 img = self.Get(item)
7 file.write(img)
当你觉得信心满满的时候，一定会有一盆冷水浇到你的头上，毕竟程序就是这样，考验你的耐性，打磨你的自信。你测试了一会儿，然后你发现你重启程序后再也无法获取最新页码，你觉得我什么也没动啊为什么会这样。别着急，我们将得到的网页代码打印出来看看：
看到了吧，是服务器感觉你不像浏览器访问的结果把你的ip给屏蔽了。 真是给跪了，辛辛苦苦码一年，屏蔽回到解放前！那么这个如何解决呢，答：换ip 找代理。接下来我们要改一下我们的HttpClient.py 将里面的opener设置下代理服务器。具体代理服务器请自行百度之，关键字：http代理 。 想找到一个合适的代理也不容易 自己ie Internet选项挨个试试，测试下网速。
1 # -*- coding: utf-8 -*-2 import cookielib, urllib, urllib2, socket
3 import zlib,StringIO
4 class HttpClient:
5 __cookie = cookielib.CookieJar()
6 __proxy_handler = urllib2.ProxyHandler({"http" : \'42.121.6.80:8080\'})#设置代理服务器与端口
7 __req = urllib2.build_opener(urllib2.HTTPCookieProcessor(__cookie),__proxy_handler)#生成opener
8 __req.addheaders = [
9 (\'Accept\', \'application/javascript, */*;q=0.8\'),
10 (\'User-Agent\', \'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)\')
11 ]
12 urllib2.install_opener(__req)
13
14 def Get(self, url, refer=None):
15 try:
16 req = urllib2.Request(url)
17 #req.add_header(\'Accept-encoding\', \'gzip\')
18 if not (refer is None):
19 req.add_header(\'Referer\', refer)
20 response = urllib2.urlopen(req, timeout=120)
21 html = response.read()
22 #gzipped = response.headers.get(\'Content-Encoding\')
23 #if gzipped:
24 # html = zlib.decompress(html, 16+zlib.MAX_WBITS)
25 return html
26 except urllib2.HTTPError, e:
27 return e.read()
28 except socket.timeout, e:
29 return \'\'
30 except socket.error, e:
31 return \'\'
然后，就可以非常愉快的查看图片了。不过用了代理速度好慢。。。可以设置timeout稍微长一点儿，防止图片下载不下来！
好了，rosi的下篇文章再放！现在是时候上一波代码了：
1 # -*- coding: utf-8 -*-2 import cookielib, urllib, urllib2, socket
3 import zlib,StringIO
4 class HttpClient:
5 __cookie = cookielib.CookieJar()
6 __proxy_handler = urllib2.ProxyHandler({"http" : \'42.121.6.80:8080\'})
7 __req = urllib2.build_opener(urllib2.HTTPCookieProcessor(__cookie),__proxy_handler)
8 __req.addheaders = [
9 (\'Accept\', \'application/javascript, */*;q=0.8\'),
10 (\'User-Agent\', \'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)\')
11 ]
12 urllib2.install_opener(__req)
13
14 def Get(self, url, refer=None):
15 try:
16 req = urllib2.Request(url)
17 req.add_header(\'Accept-encoding\', \'gzip\')
18 if not (refer is None):
19 req.add_header(\'Referer\', refer)
20 response = urllib2.urlopen(req, timeout=120)
21 html = response.read()
22 gzipped = response.headers.get(\'Content-Encoding\')
23 if gzipped:
24 html = zlib.decompress(html, 16+zlib.MAX_WBITS)
25 return html
26 except urllib2.HTTPError, e:
27 return e.read()
28 except socket.timeout, e:
29 return \'\'
30 except socket.error, e:
31 return \'\'
32
33 def Post(self, url, data, refer=None):
34 try:
35 #req = urllib2.Request(url, urllib.urlencode(data))
36 req = urllib2.Request(url,data)
37 if not (refer is None):
38 req.add_header(\'Referer\', refer)
39 return urllib2.urlopen(req, timeout=120).read()
40 except urllib2.HTTPError, e:
41 return e.read()
42 except socket.timeout, e:
43 return \'\'
44 except socket.error, e:
45 return \'\'
46
47 def Download(self, url, file):
48 output = open(file, \'wb\')
49 output.write(urllib2.urlopen(url).read())
50 output.close()
51
52 # def urlencode(self, data):
53 # return urllib.quote(data)
54
55 def getCookie(self, key):
56 for c in self.__cookie:
57 if c.name == key:
58 return c.value
59 return \'\'
60
61 def setCookie(self, key, val, domain):
62 ck = cookielib.Cookie(version=0, name=key, value=val, port=None, port_specified=False, domain=domain, domain_specified=False, domain_initial_dot=False, path=\'/\', path_specified=True, secure=False, expires=None, discard=True, comment=None, comment_url=None, rest={\'HttpOnly\': None}, rfc2109=False)
63 self.__cookie.set_cookie(ck)
64 #self.__cookie.clear() clean cookie
65 # vim : tabstop=2 shiftwidth=2 softtabstop=2 expandtab
HttpClient
1 # -*- coding: utf-8 -*-2 from __future__ import unicode_literals
3 from HttpClient import HttpClient
4 import sys,re,os
5 class JianDan(HttpClient):
6 def __init__(self):
7 self.__pageIndex = 1500 #之前的图片被煎蛋吞了
8 self.__Url = "http://jandan.net/ooxx/"
9 self.__floder = "jiandan"
10 def __getAllPicUrl(self,pageIndex):
11 realurl = self.__Url + "page-" + str(pageIndex) + "#comments"
12 pageCode = self.Get(realurl)
13 type = sys.getfilesystemencoding()
14 pattern = re.compile(\'<p>.*?<a .*?view_img_link">.*?</a>.*?<img src="(.*?)".*?</p>\',re.S)
15 items = re.findall(pattern,pageCode.decode("UTF-8").encode(type))
16 for item in items:
17 print item
18 self.__savePics(items,self.__floder)
19
20 def __savePics(self,img_addr,folder):
21 for item in img_addr:
22 filename = item.split(\'/\')[-1]
23 print "正在保存图片：" + filename
24 with open(filename,\'wb\') as file:
25 img = self.Get(item)
26 file.write(img)
27
28 def __getNewPage(self):
29 pageCode = self.Get(self.__Url)
30 type = sys.getfilesystemencoding()
31 pattern = re.compile(r\'<div .*?cp-pagenavi">.*?<span .*?current-comment-page">\[(.*?)\]</span>\',re.S)
32 newPage = re.search(pattern,pageCode.decode("UTF-8").encode(type))
33 print pageCode.decode("UTF-8").encode(type)
34 if newPage != None:
35 return newPage.group(1)
36 return 1500
37
38 def start(self):
39 isExists=os.path.exists(self.__floder)#检测是否存在目录
40 print isExists
41 if not isExists:
42 os.mkdir(self.__floder)
43 os.chdir(self.__floder)
44 page = int(self.__getNewPage())
45 for i in range(self.__pageIndex,page):
46 self.__getAllPicUrl(i)
47
48 if __name__ == \'__main__\':
49 jd = JianDan()
50 jd.start()
JianDan
以上是 自学Python九 爬虫实战二(美图福利) 的全部内容， 来源链接： utcz.com/z/386787.html
