2024年爬虫案例：手把手教你爬取图片，Python工程面试问题

现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。

分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

今天我们需要爬取的网站是：http://www.bbsnet.com/doutu

下面是网站的首页：

可以看见，这个网站的特点是，一个图片是一系列图片的集合，因此我们需要先获取每一个图片的地址，然后跳转进去才能获取里面真正的图片。

接下来我们首先获取第一页的图片地址，一般来说，第一页与其他页的差别就在于url的一些小差别，因此，搞定第一页等于搞定所有。

下面开始盘它。

补充：我们下面使用requets库请求和xpath来解析（附赠正则解析方法）

二、分析与编写代码：

---

1.第一步导入库：

#导包

from lxml import etree

import requests

import re

import time

2.第二步写出大体框架：

这里我们还是采用面向对象来写，因为这样后期如果要改为多线程还是挺容易的。

class MySpider(object):

def init(self):

#显然我们需要最基础的headers信息

self.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’,

}

#其次我们需要url

self.url = ‘http://www.bbsnet.com/doutu’

def run(self):

#首先我们需要一个函数获取每一个url

target_urls = self.get_target_urls()

#其次我们需要去获取每一个url里面的图片

self.get_target_images(target_urls)

def get_target_urls(self):

‘’‘这里我们使用一个东西，比如列表等来存储url的结果并返回’‘’

pass

def get_target_images(self,target_urls):

‘’‘这里我们需要接收之前获取的url，所以需要一个参数’‘’

pass

if name == ‘main’:

spider = MySpider()

spider.run()

显然上面的代码跟我们的思路一模一样，是不是so easy。

3.第三步完成第一个函数 – get_target_urls()：

首先按照惯例，写下以下代码：

response = requests.get(self.url,headers=self.headers)

print(response.content.decode(‘utf-8’))

首先，分享下为什么有的时候我们对于文本要decode(‘utf-8’)，而有时候对于文本需要decode(‘gbk’)，这是根据网页源代码的编码形式来写的，比如这个网站的源代码如下：

但是，尝试运行了下，发现以下错误：

UnicodeEncodeError: ‘gbk’ codec can’t encode character ‘\u2009’ in position 424: illegal multibyte sequence

这个意思是说，这个网页存在一些字符是utf-8无法解码的，这是很正常的，毕竟有些神奇的字符，是utf-8无法表示的。

但是，大家不必紧张，这并不影响我们写代码。于是我们就这样吧，不解码了，直接以二进制的形式存储它，因为它并不影响我们去获取我们需要的链接。

于是写下这样代码：

response = requests.get(self.url,headers=self.headers)

text = response.content

好的，下面我们开始解析网页：

可以得到以下结果：

下面我们使用xpath来解析这个html代码，我们首先如上图定位a标签，显然这个a标签在h2标签里面，且这个h2标签里面只有这么一个a标签，所以十分容易获取，代码如下：

html = etree.HTML(text)

target_urls = html.xpath(‘//h2/a/@href’)

print(target_urls)

下面是尝试打印的结果（部分）：

[‘http://www.bbsnet.com/aoteman.html’, ‘http://www.bbsnet.com/jieqian.html’, ‘http://www.bbsnet.com/youxitu.html’, ‘http://www.bbsnet.com/liaotian-3.html’,…]

好的，至此，这个函数就完成了，是不是十分简单。该函数代码如下：

def get_target_urls(self):

response = requests.get(self.url,headers=self.headers)

text = response.content

html = etree.HTML(text)

target_urls = html.xpath(‘//h2/a/@href’)

return target_urls

4.第四步完成第二个函数 --get_target_images():

老套路，写下下面的代码：

for url in target_urls:

response = requests.get(url,headers=self.headers)

text = response.content.decode(‘utf-8’)

print(text)

#这里强烈建议加上break测试

break

于是，得到下面的结果：

好吧，显然这并不是我们需要的结果，那这是什么呢？这段代码（html代码）会自动把我们重定向到首页，这样我们显然获取不成功，于是，我们怎么办呢？在访问一次就可以了，我们仅需要在加上一次请求即可获取所需的html代码。如下：

for url in target_urls:

response = requests.get(url,headers=self.headers)

response = requests.get(url,headers=self.headers)

text = response.content

#这里同上面，不解码，直接解析，原因同上

print(text)

break

结果如下（部分结果）：

b’\r\n\r\n\r\n\r\n\r\n…

好的，解决了这个大麻烦，我们下面的工作就很简单了。

可以得到以下内容：

我们需要获取img标签里面的src属性，仅需获取div标签下的p标签下的img标签即可。下面是代码：

for url in target_urls:

response = requests.get(url,headers=self.headers)

time.sleep(2) #一定要加上，不然会访问太快会被禁止的

response = requests.get(url,headers=self.headers)

text = response.content

#开始解析

html = etree.HTML(text)

target_images = html.xpath(‘//div[@id=“post_content”]//p//img/@src’)

print(target_images)

break

部分结果如下：

[‘http://wx1.sinaimg.cn/mw690/6a04b428ly1g19akwia0rg209b09qwgf.gif’, ‘http://wx1.sinaimg.cn/mw690/6a04b428ly1g19al1td90g209q08sq4i.gif’,…]

好的，我们仅仅剩最后一步，下载图片，这里我给出两者方式：

方式一：使用urllib库里的urlretrieve()函数，代码如下：

#该段代码添加至获得target_images后面

#大家使用这个方法的话，一定要记得导入库：from urllib import request

for image_url in target_images:

request.urlretrieve(image_url,‘./info/test.gif’)

break

方式二：获取链接的源代码后保存至本地，代码如下：

#该段代码添加至获得target_images后面

for image_url in target_images:

response = requests.get(image_url,headers=self.headers)

f = open(‘./info/test.gif’,‘wb’)

f.write(response.content)

f.close()

break

两者的结果都如下：

ok，到此处，恭喜大家，已经完成了99%的任务了。下面就是完善和补充一些代码了。

此函数完整代码如下：

def get_target_images(self,target_urls):

for url in target_urls:

response = requests.get(url,headers=self.headers)

time.sleep(2)

response = requests.get(url,headers=self.headers)

text = response.content

html = etree.HTML(text)

target_images =html.xpath(‘//div[@id=“post_content”]//p//img/@src’)

for image_url in target_images:

request.urlretrieve(image_url,‘./info/test.gif’)

break

break

#建议大家测试的时候，加上break，如果有基础的可以考虑代理或者多线程

5.第五步优化与完善：

一个优秀的人，总是想写出点优秀的代码，所以优化必不可少

1.优化角度一：文件存储的优化：

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！