python 淘宝MM抓取
环境:Python27 、win7、pycharm2017.2
代码: 代码是复制的别人的,自己调了一下。。。啊哦!
1、处理页面标签 tool.py
# -*- coding:utf-8 -*- import re # 处理页面标签类 class Tool: # 去除img标签,1-7位空格, removeImg = re.compile('<img.*?>| {1,7}| ') # 删除超链接标签 removeAddr = re.compile('<a.*?>|</a>') # 把换行的标签换为\n replaceLine = re.compile('<tr>|<div>|</div>|</p>') # 将表格制表<td>替换为\t replaceTD = re.compile('<td>') # 将换行符或双换行符替换为\n replaceBR = re.compile('<br><br>|<br>') # 将其余标签剔除 removeExtraTag = re.compile('<.*?>') # 将多行空行删除 removeNoneLine = re.compile('\n+') def replace(self, x): x = re.sub(self.removeImg, "", x) x = re.sub(self.removeAddr, "", x) x = re.sub(self.replaceLine, "\n", x) x = re.sub(self.replaceTD, "\t", x) x = re.sub(self.replaceBR, "\n", x) x = re.sub(self.removeExtraTag, "", x) x = re.sub(self.removeNoneLine, "\n", x) # strip()将前后多余内容删除 return x.strip()2、页面抓取:spider.py
# -*- coding:utf-8 -*- import urllib import urllib2 import re import taobaoMM.tool import os # 33MM class Spider: # 页面初始化 def __init__(self): self.siteURL = 'https://mm.taobao.com/json/request_top_list.htm' self.tool = tool.Tool() # 获取索引页面的内容 def getPage(self, pageIndex): url = self.siteURL + "?page=" + str(pageIndex) request = urllib2.Request(url) response = urllib2.urlopen(request) return response.read().decode('gbk') # 获取索引界面所有MM的信息,list格式 def getContents(self, pageIndex): page = self.getPage(pageIndex) pattern = re.compile( '<div class="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>' '(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>', re.S) items = re.findall(pattern, page) contents = [] for item in items: contents.append([item[0], item[1], item[2], item[3], item[4]]) return contents # 获取MM个人详情页面 def getDetailPage(self, infoURL): response = urllib2.urlopen(infoURL) return response.read().decode('gbk') # 获取个人文字简介 def getBrief(self, page): pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--', re.S) result = re.search(pattern, page) if result is None: return "nonono" else: return self.tool.replace(result.group(1)) # 获取页面所有图片 def getAllImg(self, page): pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--', re.S) # 个人信息页面所有代码 content = re.search(pattern, page) # 从代码中提取图片 patternImg = re.compile('<img.*?src="(.*?)"', re.S) images=None if content is None: pass else: images = re.findall(patternImg, content.group(1)) return images # 保存多张写真图片 def saveImgs(self, images, name): number = 1 print u"发现", name, u"共有", len(images), u"张照片" for imageURL in images: splitPath = imageURL.split('.') fTail = splitPath.pop() if len(fTail) > 3: fTail = "jpg" fileName = name + "/" + str(number) + "." + fTail print ('imageURL:'+imageURL) self.saveImg('https:'+imageURL, fileName) number += 1 # 保存头像 def saveIcon(self, iconURL, name): splitPath = iconURL.split('.') fTail = splitPath.pop() fileName = name + "/icon." + fTail self.saveImg(iconURL, fileName) # 保存个人简介 def saveBrief(self, content, name): fileName ='img/'+ name + "/" + name + ".txt" f = open(fileName, "w+") print u"正在保存她的个人信息为", fileName f.write(content.encode('gbk')) # 传入图片地址,文件名,保存单张图片 def saveImg(self, imageURL, fileName): u = urllib.urlopen(imageURL) data = u.read() f = open('img/'+fileName, 'wb') f.write(data) print u"正在保存她的一张图片为", fileName f.close() # 创建新目录 def mkdir(self, path): path = path.strip() # 判断路径是否存在 # 存在 True # 不存在 False path='img/'+path isExists = os.path.exists(path) # 判断结果 if not isExists: # 如果不存在则创建目录 print u"新建了名字叫做", path, u'的文件夹' # 创建目录操作函数 os.makedirs(path) return True else: # 如果目录存在则不创建,并提示目录已存在 print u"名为", path, '的文件夹已经创建成功' return False # 将一页淘宝MM的信息保存起来 def savePageInfo(self, pageIndex): # 获取第一页淘宝MM列表 contents = self.getContents(pageIndex) for item in contents: # item[0]个人详情URL,item[1]头像URL,item[2]姓名,item[3]年龄,item[4]居住地 print u"发现一位,名字叫", item[2], u"芳龄", item[3], u",她在", item[4] print u"正在地保存", item[2], "的信息" print u"又意外地发现她的个人地址是", item[0] # 个人详情页面的URL detailURL = 'https:'+item[0] # 得到个人详情页面代码 detailPage = self.getDetailPage(detailURL) # 获取个人简介 brief = self.getBrief(detailPage) # 获取所有图片列表 images = self.getAllImg(detailPage) self.mkdir(item[2]) # 保存个人简介 self.saveBrief(brief, item[2]) # 保存头像 self.saveIcon('https:'+item[1], item[2]) # 保存图片 if images is None: pass else: self.saveImgs(images, item[2]) # 传入起止页码,获取MM图片 def savePagesInfo(self, start, end): for i in range(start, end + 1): print u"正在寻找第", i, u"个地方,看看MM们在不在" self.savePageInfo(i) # 传入起止页码即可,在此传入了2,10,表示抓取第2到10页的MM spider = Spider() spider.savePagesInfo(7,8) ###==================================================================================================