python爬取网易美女图片

经过几天学习，花了半天时间分析，初步实现了一个简单的爬虫；

爬虫功能：抓取网易美女图片

爬取链接：http://help.3g.163.com/15/0601/17/AR1QC1OQ00964JJI.html；

思路如下：

1.先实现爬取一个当前页面的美女图片；

2.在当前页面获取下次要获取图片的页面；

3.跳转到1步骤；

 实现类如下：

class GetPic():
    def __init__(self, curreLink, headers):    
        print"begin initGetpic"
        self.firstlink = curreLink
        self.headers = headers
        self.picpath="E:\\picwy\\"  #存放爬取图片的路径
        print"end pic"

    def getThepage(self):    #获取当前页面内容
       print "begin content"
       # data={}
       # req = urllib2.request(self.firstlink, data, self.headers)
        req = urllib2.Request(self.firstlink, headers=self.headers)
        content = urllib2.urlopen(req).read()
        print "end content"
        return content

    def getThePic(self,piclink,filename):#根据获取图片的url将图片保存到指定位置
        print "begin get pic"
        urllib.urlretrieve(piclink,filename)
        print "end content"


    def saveThePic(self,pic_content,filename):#留作扩展，暂时没用这个接口
        fopen = open(filename,"w")
        fopen.write(pic_content)
        fopen.close()





 def getNextLike(self, curmsg):#获取下次爬去的页面链接
        m = re.findall(r'<li><span class="title"><a href="(.*?)#from=relevant#xwwzy_35_bottomnewskwd">', curmsg)
        for eachitem in m:
            print "itemNext" + eachitem
        thetemitem=[m[0]]
        if thetemitem in item:
            print "==========================="
            return m[1]
        return m[0]

(r'<li><span class="title"><a href="(.*?)#from=relevant#xwwzy_35_bottomnewskwd">这个正则表达式是为了获取下次爬去的页面，这个由于下个爬去页面的不确定性，
在测试时容易产生异常，考虑后续优化。


上图为页面中下次爬去链接所在位置；

 def getfromEverPage(self, m):        print "begin getfromEverPage"        for item in m:             item = item.replace("\"", "")             print item             pos = item.rfind("/")             if pos != -1:                 filename=item[pos+1:]                 print "filename:"+filename                 Myfilepath = self.picpath+filename                 self.getThePic(item, Myfilepath)        print "End getfromEverPage"



 

主流程实现如下

def main():
    print "begin main"
    curtLink = "http://help.3g.163.com/15/0325/15/ALIHIPS800964JJI.html"   #首次爬取的页面
    item.append([curtLink])#记录爬去的页面到item
    while(curtLink):
        headers = {'User-Agent': ' Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'}
        geetPic = GetPic(curtLink, headers)
        Mypage = geetPic.getThepage()
        m = re.findall(r'<p class="f_center"><img src=(.*?)alt', Mypage)#根据此正则表达式可获取，当前页面图片的地址；
        curtLink = geetPic.getNextLike(Mypage)
        print "curtLink====="+curtLink
        geetPic.getfromEverPage(m)
        item.append([curtLink])
    print "End main"
    print str(item)