python 爬虫实战(一)

爬取校花网图片

1.所用工具总结

  • python3.7
  • requests
  • urllib
  • lmxl

2.代码部分

download.py

import requests
from urllib.parse import urljoin
import lxml.html
# 解决lxml 中读取不到etree 模块的问题
etree = lxml.html.etree

# Download 类
class Download:
    # 初始化函数
    def __init__(self, baseUrl, filePath):
        self.baseUrl = baseUrl
        self.filePath = filePath
    # 获取页面字符串
    def getHtmlText(self, pagePath):
        url = urljoin(self.baseUrl, pagePath)
        response = requests.get(url)
        return response.text
    # 获取图片字典
    # 结合xpath
    def getImgList(self, pageText):
        html = etree.HTML(pageText)
        img_divs = html.xpath('//div[@id="list_img"]//div[@class="img"]//img')
        img_list = list()
        for item in img_divs:
            img_name = item.xpath('./@alt')[0]
            img_src = urljoin(self.baseUrl, item.xpath('./@src')[0])
            dict_img = dict()
            dict_img.setdefault('name', img_name)
            dict_img.setdefault('src', img_src)
            dict_img.setdefault('filePath', self.filePath + img_name + '.jpg')
            img_list.append(dict_img)
        return img_list

    # 保存图片
    def saveImg(self, imgDict):
        src = imgDict.get('src')
        filePath = imgDict.get('filePath')
        response = requests.get(src)
        try:
            with open(filePath, 'wb') as f:
                f.write(response.content)
        except OSError as error:
            print(error)
        except IOError as error:
            print(error)

main.py

from utils.download import Download
import time


#url 和 路径
baseUrl = 'http://www.xiaohuar.com/'
filePath = 'D:\\test\\'

# 初始化Download对象
dd = Download(baseUrl=baseUrl, filePath=filePath)

# 大学校花共计47页
# url结构为 http://www.xiaohuar.com/list-1-%s.html
for index in range(47):
    # 页面路径
    pagePath = 'list-1-%s.html' % index
    # 取得页面字符串
    pageText = dd.getHtmlText(pagePath=pagePath)
    # 获取图片路径字典
    img_list = dd.getImgList(pageText)
    # 遍历下载图片
    for item in img_list:
        dd.saveImg(item)
    percent = index / 47 * 100
    print('完成率%.2f' % percent)
    time.sleep(1)

3. 运行结果

在这里插入图片描述

4.坑的总结

lxml 较新的版本没法直接读取etree模块,修改如下

import lxml.html
# 解决lxml 中读取不到etree 模块的问题
etree = lxml.html.etree
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值