python网络爬虫学习(六)利用Pyspider+Phantomjs爬取淘宝模特图片

本篇博文在编写时参考了http://cuiqingcai.com/2652.html，向作者表示感谢

一.新的问题与工具

平时在淘宝上剁手的时候，总是会看到各种各样的模特。由于自己就读于一所男女比例三比一的工科院校……写代码之余看看美女也是极好的放松方式。但一张一张点右键–另存为又显得太过麻烦而且不切实际，毕竟图片太多了。于是，我开始考虑用万能的python来解决问题。

我们先看看淘女郎页面的URL，https://mm.taobao.com/json/request_top_list.htm?page=1
page后面的数字代表页码，那么有多少页呢？反正我试着写了个10000发现依然有页面存在。由此可见，右键另存为极不现实。

要用爬虫去爬，就得先分析页面，我们打开第一个淘女郎的页面，如图

看起来好像和我们之前爬过的站没什么不同嘛，直接上urllib和urllib2不就好了？不过，当我打开页面源码时，发现并非如此，源码如图

这个页面的很多内容并没有出现在源码中，很明显，使用js加载出来的。那么，我们常用的urllib2库也就起不了什么作用了，因为这个库只能获取到HTML中的内容。于是，在经过查找资料后， 我找到了另外两个好用的工具:Pyspider和Phantomjs

Pyspider是一个爬虫框架，具有webUI,CSS选择器等实用的功能，支持多线程爬取、JS动态解析，提供了可操作界面、出错重试、定时爬取等等的功能，使用非常人性化。

PhantomJS 是一个基于 WebKit 的服务器端 JavaScript API。它全面支持web而不需浏览器支持，其快速、原生支持各种Web标准：DOM 处理、CSS 选择器、JSON、Canvas 和 SVG。 PhantomJS 可以用于页面自动化、网络监测、网页截屏以及无界面测试等。

在介绍完我们的主角之后，我会对我配置开发环境的过程中遇到的问题进行记录。

二.开发环境的配置

系统环境:Ubuntu 14.04 -i386（注意一定要使用32位的Ubuntu，因为经过我的实际测试phantomjs无法在64位系统上运行，另外，也无法再16.04版本的Ubuntu上运行，建议系统环境与我保持一致）

step 1:安装pip

sudo apt-get install python-pip

step 2:安装Phantomjs

sudo apt-get install phantomjs

step 3:安装Pyspider
根据官方文档，在在安装pyspider之前，你需要安装以下类库

sudo apt-get install python python-dev python-distribute python-pip libcurl4-openssl-dev libxml2-dev libxslt1-dev python-lxml

安装过程完成之后，运行

sudo pyspider all

不报错即为安装成功，如果有错误，请善用google和baidu，都可以找到答案。

之后进入图形界面,打开浏览器在地址栏中输入localhost:5000即可

下面记录一个似乎是只有我遇到的问题，在使用ubuntu自带的firefox时，在之后的一步操作中会出现问题，至于问题是什么待会儿陈述，强烈建议各位使用应用商店中别的浏览器。

之后打开目标网站https://mm.taobao.com/json/request_top_list.htm?page=1
打开第一位模特的页面，如图

注意到个性域名了吗？进去看看~

原来模特的图片都在这里，这样我们大致确定了爬取思路:
1.在某一页中先爬取每位模特的详情页
2.在详情页中取出我们需要的个性域名的url
3.从个性域名中筛选出图片并保存。

三.开始爬取

(1)创建项目

在浏览器中输入 http://localhost:5000，可以看到 PySpider 的主界面，点击的 Create，命名为 taobaomm，名称你可以随意取，点击 Create。

之后进入到一个爬取操作的页面。

我们看到页面被分为两栏，左边是爬取页面预览区域，右边是代码编写区域。
左侧绿色区域：这个请求对应的 JSON 变量，在 PySpider 中，其实每个请求都有与之对应的 JSON 变量，包括回调函数，方法名，请求链接，请求数据等等。

绿色区域右上角Run：点击右上角的 run 按钮，就会执行这个请求，可以在左边的白色区域出现请求的结果。

左侧 enable css selector helper: 抓取页面之后，点击此按钮，可以方便地获取页面中某个元素的 CSS 选择器。

左侧 web: 即抓取的页面的实时预览图。

左侧 html: 抓取页面的 HTML 代码。

左侧 follows: 如果当前抓取方法中又新建了爬取请求，那么接下来的请求就会出现在 follows 里。

左侧 messages: 爬取过程中输出的一些信息。

右侧代码区域: 你可以在右侧区域书写代码，并点击右上角的 Save 按钮保存。

右侧 WebDAV Mode: 打开调试模式，左侧最大化，便于观察调试。

(2)进行简单的爬取操作

我们先对https://mm.taobao.com/json/request_top_list.htm?page=1这个页面进行爬取，我们在’init’ 方法中定义基地址，页码，最大页码。代码如下: