'''
聚焦爬虫: 爬取页面中指定的页面内容
- 指定url
-发起请求
-获取响应数据
- 数据解析 (对标签的数据值进行提取)
-持久化储存
'''
'''
数据解析分类:
-正则
-bs4
-xpath
'''
# 爬取糗事百科中糗图板块下所有的糗图图片
import requests
import re
import os
if __name__ == '__main__':
# UA 伪装
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
}
# 创建一个文件夹,保存所有图片
if not os.path.exists('D:\qiutuLibs'):
os.mkdir('D:\qiutuLibs')
# 首先设置一个通用的url模板 %d 匹配所有页数
url = 'https://www.qiushibaike.com/imgrank/page/%d/'
# pageNum = 2
for pageNum in range(1,5):
new_url = format(url%pageNum)
# 使用通用爬虫拿下整个页面
page_text = requests.get(url=new_url, headers=headers).text
# 使用聚焦爬虫将页面中的所有糗图进行爬取
ex = 'div class="author clearfix">.*?<img src="(.*?)\?.*?</div>'
img_src_list = re.findall(ex, page_text, re.S)
# print(img_src_list)
for src in img_src_list:
# 拼接一个完整的图片 url
src = 'https:' + src
# 请求到的图片是一个二进制的数据
img_data = requests.get(url=src, headers=headers).content
# 生成图片名称
img_name = src.split('/')[-1]
# 图片的存储路径
img_path = 'D:\qiutuLibs/' + img_name
# print(img_path)
with open(img_path, 'wb') as pf:
pf.write(img_data)
print(img_name, '下载成功!!')