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:
![](https://img-home.csdnimg.cn/images/20230724024159.png?origin_url=http%3A%2F%2Ftieba.baidu.com%2F_PXCK_7132125338940_2652120900.gif&pos_id=img-xqmMdqdY-1714395281113%29)
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
第三页:http://www.bbsnet.com/doutu/page/3
好的,下面提出共同的部分:http://www.bbsnet.com/doutu/page/ + 页数
这里为了验证上面对于第一页这个特殊页是否适用,访问http://www.bbsnet.com/doutu/page/1,结果可以成功访问,因此下面我们只需去一个个迭代即可获取一页页的图片。
代码我将给在整体代码中。
三、全部代码:
# -- coding:utf-8 --
# Author: 自学小白菜
‘’’
既然选择了前进,那每一步都要认真的去做
‘’’
#导包
from lxml import etree
import requests
from urllib import request
import time
import os
class MySpider(object):
def init(self):
#显然我们需要最基础的headers信息
学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上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、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
三、全套PDF电子书
书籍的好处就在于权威和体系健全,刚开始学习的时候你可以只看视频或者听某个人讲课,但等你学完之后,你觉得你掌握了,这时候建议还是得去看一下书籍,看权威技术书籍也是每个程序员必经之路。
四、入门学习视频
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
五、实战案例
光学理论是没用的,要学会跟着一起敲,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、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
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。
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!