爬虫案例：手把手教你爬取图片(2)

response = requests.get(self.url,headers=self.headers)

print(response.content.decode(‘utf-8’))

首先，分享下为什么有的时候我们对于文本要decode(‘utf-8’)，而有时候对于文本需要decode(‘gbk’)，这是根据网页源代码的编码形式来写的，比如这个网站的源代码如下：

但是，尝试运行了下，发现以下错误：

UnicodeEncodeError: ‘gbk’ codec can’t encode character ‘\u2009’ in position 424: illegal multibyte sequence

这个意思是说，这个网页存在一些字符是utf-8无法解码的，这是很正常的，毕竟有些神奇的字符，是utf-8无法表示的。

但是，大家不必紧张，这并不影响我们写代码。于是我们就这样吧，不解码了，直接以二进制的形式存储它，因为它并不影响我们去获取我们需要的链接。

于是写下这样代码：

response = requests.get(self.url,headers=self.headers)

text = response.content

好的，下面我们开始解析网页：

可以得到以下结果：

下面我们使用xpath来解析这个html代码，我们首先如上图定位a标签，显然这个a标签在h2标签里面，且这个h2标签里面只有这么一个a标签，所以十分容易获取，代码如下：

html = etree.HTML(text)

target_urls = html.xpath(‘//h2/a/@href’)

print(target_urls)

下面是尝试打印的结果（部分）：

[‘http://www.bbsnet.com/aoteman.html’, ‘http://www.bbsnet.com/jieqian.html’, ‘http://www.bbsnet.com/youxitu.html’, ‘http://www.bbsnet.com/liaotian-3.html’,…]

好的，至此，这个函数就完成了，是不是十分简单。该函数代码如下：

def get_target_urls(self):

response = requests.get(self.url,headers=self.headers)

text = response.content

html = etree.HTML(text)

target_urls = html.xpath(‘//h2/a/@href’)

return target_urls

4.第四步完成第二个函数 --get_target_images():

老套路，写下下面的代码：

for url in target_urls:

response = requests.get(url,headers=self.headers)

text = response.content.decode(‘utf-8’)

print(text)

#这里强烈建议加上break测试

break

于是，得到下面的结果：

好吧，显然这并不是我们需要的结果，那这是什么呢？这段代码（html代码）会自动把我们重定向到首页，这样我们显然获取不成功，于是，我们怎么办呢？在访问一次就可以了，我们仅需要在加上一次请求即可获取所需的html代码。如下：

for url in target_urls:

response = requests.get(url,headers=self.headers)

response = requests.get(url,headers=self.headers)

text = response.content

#这里同上面，不解码，直接解析，原因同上

print(text)

break

结果如下（部分结果）：

b’\r\n\r\n\r\n\r\n\r\n…

好的，解决了这个大麻烦，我们下面的工作就很简单了。

可以得到以下内容：

我们需要获取img标签里面的src属性，仅需获取div标签下的p标签下的img标签即可。下面是代码：

for url in target_urls:

response = requests.get(url,headers=self.headers)

time.sleep(2) #一定要加上，不然会访问太快会被禁止的

response = requests.get(url,headers=self.headers)

text = response.content

#开始解析

html = etree.HTML(text)

target_images = html.xpath(‘//div[@id=“post_content”]//p//img/@src’)

print(target_images)

break

部分结果如下：

[‘http://wx1.sinaimg.cn/mw690/6a04b428ly1g19akwia0rg209b09qwgf.gif’, ‘http://wx1.sinaimg.cn/mw690/6a04b428ly1g19al1td90g209q08sq4i.gif’,…]

好的，我们仅仅剩最后一步，下载图片，这里我给出两者方式：

方式一：使用urllib库里的urlretrieve()函数，代码如下：

#该段代码添加至获得target_images后面

#大家使用这个方法的话，一定要记得导入库：from urllib import request

for image_url in target_images:

request.urlretrieve(image_url,‘./info/test.gif’)

break

方式二：获取链接的源代码后保存至本地，代码如下：

#该段代码添加至获得target_images后面

for image_url in target_images:

response = requests.get(image_url,headers=self.headers)

f = open(‘./info/test.gif’,‘wb’)

f.write(response.content)

f.close()

break

两者的结果都如下：

ok，到此处，恭喜大家，已经完成了99%的任务了。下面就是完善和补充一些代码了。

此函数完整代码如下：

def get_target_images(self,target_urls):

for url in target_urls:

response = requests.get(url,headers=self.headers)

time.sleep(2)

response = requests.get(url,headers=self.headers)

text = response.content

html = etree.HTML(text)

target_images =html.xpath(‘//div[@id=“post_content”]//p//img/@src’)

for image_url in target_images:

request.urlretrieve(image_url,‘./info/test.gif’)

break

break

#建议大家测试的时候，加上break，如果有基础的可以考虑代理或者多线程

5.第五步优化与完善：

一个优秀的人，总是想写出点优秀的代码，所以优化必不可少

1.优化角度一：文件存储的优化：

首先，上面我在这个py文件下面创建了一个info文件夹，所以才能写"./info/…"这样的代码，但是我相信大家的目录下肯定没有。所以必须优化。

其次，我们可以这样考虑：使用os模块自动创建一个images的文件夹，其次可以在获取图片集合的url时顺便获取每个图片集合的标题，所以开始改写代码：

修改完成后如下（只需修改第二个函数）：

def get_target_images(self,target_urls):

os.mkdir(‘./images’)

for url in target_urls:

response = requests.get(url,headers=self.headers)

time.sleep(2)

response = requests.get(url,headers=self.headers)

text = response.content

html = etree.HTML(text)

target_images = html.xpath(‘//div[@id=“post_content”]//p//img/@src’)

title = html.xpath(‘//div[@id=“post_content”]//p//img/@title’)[0]

os.mkdir(‘./images/’+title)

for index,image_url in enumerate(target_images):

response = requests.get(image_url, headers=self.headers)

#这里我是用文件方式下载，因为不知道为什么我运行urlretrieve下载时下太久了

f = open(‘./images/%s/%s.gif’%(title,index), ‘wb’)

f.write(response.content)

f.close()

break

示例结果；

2.优化角度二：速度优化：

我相信如果直接去掉break去爬取所有的肯定会报错，因为访问太快了，所以可以采取一定的优化手段去优化它，这里我推荐两种方式，第一种是多线程，第二种是代理。这里我就不给出如何实现这种优化了，因为这篇文章的目的不在于此。

3.优化角度三：代码本身优化：

这里第二个函数的代码其实有点长了，因为里面有两个循环。所以可以考虑将其中的每一个循环封装为一个新的函数。这个结果我将给在最后的全部代码里面。

4.优化角度四：异常捕获：

想要捕获异常，有简单的方式，也有复杂的方式。下面只给出简单方式的代码：

这里我们只需修改主函数：

def run(self):

try:

#首先我们需要一个函数获取每一个url

target_urls = self.get_target_urls()

#其次我们需要去获取每一个url里面的图片

self.get_target_images(target_urls)

except Exception as e:

print(‘错误原因：’,e)

复杂的方式就是分别去获取一些常见的异常，如404或者其他异常。

5.完善代码：

下面给出如何爬取多页的思路：

首先我们需要提取出第一、二、三页的url，如下：

第一页：http://www.bbsnet.com/doutu

第二页：http://www.bbsnet.com/doutu/page/2

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

工具都帮大家整理好了，安装就可直接上手！

三、最新Python学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python视频合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试宝典

简历模板

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！