摘要
利用python编写了可以实现批量下载网页图片的爬虫程序。在编写过程程中学到了一些新的函数和新的思想;其中最主要的是模块化函数封装,每个函数完成制定任务,便于调试和函数再利用。
程序线性流程:利用urllib访问目标网页 --> 得到 [目标页面网址] 列表 ----> 每个页面网址得到 [图片网址] 列表 ----> 利用图片网址保存文件到本地
说明:由于还没有学正则表达,本程序中对html文件对处理,直接简单粗暴对用find()函数。
程序流程图
源代码:
import urllib.request
import os
def url_open(url):
request = urllib.request.Request(url)
request.add_header('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36')
response = urllib.request.urlopen(url)
html =response.read()
return html
def get_page(url):
html = url_open(url).decode('utf-8')
a = html.find('current-comment-page') + 23
b = html.find(']',a)
print(html[a:b])
return html[a:b]
def find_imgs(url):
html = url_open(url).decode('utf-8')
img_addrs = []
a = html.find('img src=')
while a != -1:
b = html.find('.jpg',a,a+255)
if b != -1:
img_addrs.append(html[a+9:b+4])
else:
b = a+9
a = html.find('img src=',b)
return img_addrs
def save_imgs(folder,img_addrs):
for each in img_addrs:
filename = each.split('/')[-1]
with open(filename,'wb') as f:
img = url_open('http:'+ each)
f.write(img)
def download_mm(folder='ooxx',pages=6): ##下载前6页
os.mkdir(folder) #创建文件夹
os.chdir(folder) #改变目录
url = "http://jandan.net/ooxx"
page_num = int(get_page(url))
for i in range(pages):
page_num -= i
page_url = url + '/page-' + str(page_num) + '#comments'
img_addrs = find_imgs(page_url)
save_imgs(folder,img_addrs)
if __name__ == '__main__':
download_mm()