用python从豆瓣上爬取王祖贤的照片

用python实现从豆瓣网上爬取王祖贤的照片

准备工作

安装好python、chromedriver、浏览器的XPath Helper插件 python学习：http://www.runoob.com/python3/python3-tutorial.htmlXPath语法学习：http://www.w3school.com.cn/xpath/xpath_syntax.asp

实战

这次爬取的数据分别为json格式和HTML格式

json格式

json格式在www.douban.com网站中，搜索王祖贤，通过开发者模式可以找到请求的地址 https://www.douban.com/j/search_photo?q=%E7%8E%8B%E7%A5%96%E8%B4%A4&limit=20&start=0，如下图所示：

然后我们访问这个url，可以看到返回了json的数据：

解析代码示例

# 数据是json格式	
def getPhotos():	
    ''' for 循环 请求全部的 url '''	
    for i in range(0, 200, 20):	
        url = 'https://www.douban.com/j/search_photo?q=' + query + '&limit=20&start=' + str(i)	
        html = requests.get(url).text  # 得到返回结果	
        response = json.loads(html, encoding='utf-8')  # 将 JSON 格式转换成 Python 对象	
        for image in response['images']:	
            print(image['src'])  # 查看当前下载的图片网址	
            download(image['src'], image['id'])  # 下载一张图片

---

HTML格式

HTML格式的访问https://movie.douban.com，搜索 王祖贤，通过查看源码，了解结构，然后用XPath Helper插件做试验，按住ctrl+shift+x 同时鼠标点击王祖贤图片，根据XPath的语法同时根据HTML的结构写解析表达式： //div[@class='item-root']/div[@class='detail']/div[@class='title']/a[@class='title-text']

XPath语法学习：http://www.w3school.com.cn/xpath/xpath_syntax.asp

解析代码示例

# 数据是 html格式，有时候网页会用 JS请求数据，只有等JS都加载结束后，才能获取完成的html，但xpath不受限制	
def getMoviePhotos():	
    url = 'https://movie.douban.com/subject_search?search_text=' + query + '&cat=1002'	
    driver = webdriver.Chrome(chromedriverPath)	
    driver.get(url)	
    # 初始化	
    html = etree.HTML(driver.page_source)	
    # 使用xpath helper, ctrl+shit+x 选中元素	
    # xpath 语法 http://www.w3school.com.cn/xpath/xpath_syntax.asp	
    src_xpath = "//div[@class='item-root']/a[@class='cover-link']/img[@class='cover']/@src"	
    title_xpath = "//div[@class='item-root']/div[@class='detail']/div[@class='title']/a[@class='title-text']"	
    srcs = html.xpath(src_xpath)	
    titles = html.xpath(title_xpath)	
    # zip()函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，返回由元组组成的对象。优点是节约内存	
    # 参考 http://www.runoob.com/python3/python3-func-zip.html	
    for src, title in zip(srcs, titles):	
        # join 字符串拼接	
        print('\t'.join([str(src), str(title.text)]))	
        download(src, title.text)	
    driver.close()

完整代码

import requests	
import json	
# lxml是一个流行的解析库，使用的是Xpath语法，可以解析HTML	
from lxml import etree	
from selenium import webdriver	
query = '王祖贤'	
downloadPath = 'D:/workspace/study/python/text_classification/testdata/photos/'	
# chromedriver需要配置环境变量，查看网上资料说建议放到python的Scripts目录下	
chromedriverPath = 'D:/devsoft/python/Scripts/chromedriver'	
''' 下载图片 '''	
def download(src, id):	
    dir = downloadPath + str(id) + '.jpg'	
    try:	
        pic = requests.get(src, timeout=10)	
        fp = open(dir, 'wb')	
        fp.write(pic.content)	
        fp.close()	
    except requests.exceptions.ConnectionError:	
        print('图片无法下载')	
# 数据是json格式	
def getPhotos():	
    ''' for 循环 请求全部的 url '''	
    for i in range(0, 200, 20):	
        url = 'https://www.douban.com/j/search_photo?q=' + query + '&limit=20&start=' + str(i)	
        html = requests.get(url).text  # 得到返回结果	
        response = json.loads(html, encoding='utf-8')  # 将 JSON 格式转换成 Python 对象	
        for image in response['images']:	
            print(image['src'])  # 查看当前下载的图片网址	
            download(image['src'], image['id'])  # 下载一张图片	
# 数据是 html格式，有时候网页会用 JS请求数据，只有等JS都加载结束后，才能获取完成的html，但xpath不受限制	
def getMoviePhotos():	
    url = 'https://movie.douban.com/subject_search?search_text=' + query + '&cat=1002'	
    driver = webdriver.Chrome(chromedriverPath)	
    driver.get(url)	
    # 初始化	
    html = etree.HTML(driver.page_source)	
    # 使用xpath helper, ctrl+shit+x 选中元素	
    # xpath 语法 http://www.w3school.com.cn/xpath/xpath_syntax.asp	
    src_xpath = "//div[@class='item-root']/a[@class='cover-link']/img[@class='cover']/@src"	
    title_xpath = "//div[@class='item-root']/div[@class='detail']/div[@class='title']/a[@class='title-text']"	
    srcs = html.xpath(src_xpath)	
    titles = html.xpath(title_xpath)	
    # zip()函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，返回由元组组成的对象。优点是节约内存	
    # 参考 http://www.runoob.com/python3/python3-func-zip.html	
    for src, title in zip(srcs, titles):	
        # join 字符串拼接	
        print('\t'.join([str(src), str(title.text)]))	
        download(src, title.text)	
    driver.close()	
getPhotos()	
getMoviePhotos()

成果

总结

用python实现爬虫一直是我想学习的，但却迟迟没有行动，趁着放假，跟着数据分析的专栏做了几个实战的练习，很高兴最后成功了，思路和代码参考了老师的例子和大家的评论，因为我是python零基础，所以通过实战也顺便学了python。整个过程下来的感悟是，还是实战学东西快，以后更要多多实操，而不仅仅看理论。小小的实战成功能激发自己学习的动力，希望大家也能亲自尝试下。