聚焦爬虫:爬取页面中指定的内容
- 指定 url
- 发起请求
- 获取响应数据
- 数据解析
- 持久化存储
数据解析分类:正则,bs4,xpath(*通用性强)
数据解析原理:解析的局部的文本内容,都会在标签或者标签对应的属性中进行存储
进行指定标签定位
标签或者标签对应的属性中存储的数据值进行提取
①:正则表达式—
. :除换行以外所有字符
[] :[aoe] [a-w]匹配集合中的任意一个字符
\d :数字【0-9】
\D :非数字
\w :数字、字母、下划线、中文
\W :非\w
\s :所有的空白字符包,包括空格,制表符、换页符等等。
* :任意多次 >=0
+ :至少1次 >=1
? :可有可无 0或1
{m} :固定m次 hello{3,}
{m,} :至少m次
{m,n} :m–n次
$ :以某某结尾
^ :以某某开头
(ab):分组
. :贪婪模式
.? :非贪婪模式
爬取图片数据:
分析:首先提取一张图片的地址,作为url。进行正常提取,需要注意的是,请求形式,不是以文本形式,应该是以二进制的形式进行提取。
提取出来的是url对应的图片。
import requests
if __name__ == '__main__':
#UA伪装:将对应的User-Agent封装到一个字典中
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'
}
#如何爬取图片数据
url = 'https://pic.qiushibaike.com/system/pictures/12372/123728527/medium/P6J773I87696NXAO.jpg'
img_data = requests.get(url=url).content#content返回的的二进制形式的图片数据
#text(字符串) json()(对象)
with open('./qiutu.jpg','wb') as fp:
fp.write(img_data)
爬取糗事百科中的第一页的所有图片
使用通用爬虫对url对应的一整张页面进行爬取
由此获取整张页面的源码数据
将页面的图进行提取
分析:只需要获取子div中class=thumb的img标签当中的src即可
对应代码编写正则表达式
<div class="thumb">
<a href="/article/123728527" target="_blank">
<img src="//pic.qiushibaike.com/system/pictures/12372/123728527/medium/P6J773I87696NXAO.jpg" alt="糗事#123728527" class="illustration" width="100%" height="auto">
</a>
</div>
正则表达式:
ex = '<div class="thumb">.*?<img src="(.*?)"alt.*?</div>'
代码如下
import requests
import re
import os
#引入正则表达式
if __name__ == '__main__':
#创建一个文件夹保存所有图片
if not os.path.exists('./qiutuLibs'):
os.mkdir('./qiutuLibs')
#UA伪装:将对应的User-Agent封装到一个字典中
url = 'https://www.qiushibaike.com/imgrank/'
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'
}
#使用通用爬虫对url对应的一整张页面进行爬取
page_text = requests.get(url=url,headers=headers).text
#由此获取整张页面的源码数据
#将页面的图进行提取
#分析,只需要获取子div中class=thumb的img标签当中的src即可
#对应代码编写正则表达式
ex = '<div class="thumb">.*?<img src="(.*?)" alt.*?</div>'
#使用聚焦爬虫将页面中所有的糗图进行解析/提取
img_src_list = re.findall(ex,page_text,re.S)
#遍历list数组
for src in img_src_list:
src = 'https:'+src
#请求到图片的二进制数据
img_data = requests.get(url=src,headers=headers).content
#生成图片名称
img_name = src.split('/')[-1]
#图片存储路径
imgPath = './qiutuLibs/'+img_name
with open(imgPath,'wb') as fp:
fp.write(img_data)
print(img_name,'下载顺利')
爬取糗图百科中的所有图片
分析:
①:通过对url的规律的找寻,我们发现第二页的url相较于第一页多了一个page/2。
②:只需要将url的page/2部分进行遍历。
import requests
import re
import os
#引入正则表达式
if __name__ == '__main__':
#创建一个文件夹保存所有图片
if not os.path.exists('./qiutus'):
os.mkdir('./qiutus')
# UA伪装:将对应的User-Agent封装到一个字典中
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'
}
#设置一个通用的url模板
url = 'https://www.qiushibaike.com/imgrank/page/%d/'
for pageNum in range(1,3):
new_url = format(url%pageNum)
#使用通用爬虫对url对应的一整张页面进行爬取
page_text = requests.get(url=new_url,headers=headers).text
#由此获取整张页面的源码数据
#将页面的图进行提取
#分析,只需要获取子div中class=thumb的img标签当中的src即可
#对应代码编写正则表达式
ex = '<div class="thumb">.*?<img src="(.*?)" alt.*?</div>'
#使用聚焦爬虫将页面中所有的糗图进行解析/提取
img_src_list = re.findall(ex,page_text,re.S)
#遍历list数组
for src in img_src_list:
src = 'https:'+src
#请求到图片的二进制数据
img_data = requests.get(url=src,headers=headers).content
#生成图片名称
img_name = src.split('/')[-1]
#图片存储路径
imgPath = './qiutus/'+img_name
with open(imgPath,'wb') as fp:
fp.write(img_data)
print(img_name,'下载顺利')