本人也是刚刚开始学习python的爬虫技术,然后本来想在网上找点教程来看看,谁知道一搜索,大部分的都是用python2来写的,新手嘛,一般都喜欢装新版本。于是我也就写一个python3简单的爬虫,爬虫一下贴吧的图片吧。话不多说,我们开始。
首先简单来说说一下知识。
一、什么是爬虫?
网页上面采集数据
二、学习爬虫有什么作用?
做案例分析,做数据分析,分析网页结构.......
三、爬虫环境
需求:python3x pycharm
模块:urllib 、urllib2、bs4、re
四、爬虫思路:
1. 打开网页,获取源码。
*由于多人同时爬虫某个网站时候,会造成数据冗余,网站崩溃,所以一些网站是禁止爬虫的,会返回403拒绝访问的错误信息。----获取不到想要的内容/请求失败/IP容易被封……..等
*解决办法:伪装——不告诉网站我是一个脚本,告诉它我是一个浏览器。(加上随便一个浏览器的头部信息,伪装成浏览器),由于是简单例子,那我们就不搞这些骚操作了。
2. 获取图片
*Find函数 :只去找第一个目标,查询一次
*Find_all函数: 找到所有的相同的目标。
这里可能有一个解析器的问题,我们也不说了,出问题的同学百度一堆解决办法。
3. 保存图片地址与下载图片
*a.使用urlib---urlretrieve下载(保存位置:如果保存在跟*.py文件同一个地方,那么只需要文件夹名称即可,如果是其他地方,那么得写绝对路径。)
算了,不说那么多废话,既然是个简单例子,那我就直接贴代码吧。相信也没多少人呢看不懂。
提一句:用BeautifulSoup
就可以不用正则;爬虫用正则,Bs4, xpath三种 选择一个就好。当然也可以混合使用,也还有其他种。
爬取地址:http://tieba.baidu.com/p/3840085725
百度贴吧的壁纸图片。
代码如下:
|
最后效果如图:
好了,教程到这里就结束了。
参考地址:https://my.oschina.net/zouqxb/blog/1553586
(ps:对于python本人也是新手,文章有任何错误请多多包涵)