html怎么用五个div做正方形_用python实现从豆瓣网上爬取王祖贤的照片

准备工作

安装好python、chromedriver、浏览器的XPath Helper插件 python学习：http://www.runoob.com/python3/python3-tutorial.htmlXPath语法学习：http://www.w3school.com.cn/xpath/xpath_syntax.asp

实战

这次爬取的数据分别为json格式和HTML格式

json格式

json格式在http://www.douban.com网站中，搜索王祖贤，通过开发者模式可以找到请求的地址 https://www.douban.com/j/search_photo?q=%E7%8E%8B%E7%A5%96%E8%B4%A4&limit=20&start=0，如下图所示：

然后我们访问这个url，可以看到返回了json的数据：

解析代码示例

1. # 数据是json格式
2. def getPhotos():
3. ''' for 循环 请求全部的 url '''
4. for i in range(0, 200, 20):
5. url = 'https://www.douban.com/j/search_photo?q=' + query + '&limit=20&start=' + str(i)
6. html = requests.get(url).text # 得到返回结果
7. response = json.loads(html, encoding='utf-8') # 将 JSON 格式转换成 Python 对象
8. for image in response['images']:
9. print(image['src']) # 查看当前下载的图片网址
10. download(image['src'], image['id']) # 下载一张图片

---

HTML格式

HTML格式的访问https://movie.douban.com，搜索 王祖贤，通过查看源码，了解结构，然后用XPath Helper插件做试验，按住ctrl+shift+x 同时鼠标点击王祖贤图片，根据XPath的语法同时根据HTML的结构写解析表达式： //div[@class='item-root']/div[@class='detail']/div[@class='title']/a[@class='title-text']

XPath语法学习： http://www. w3school.com.cn/xpath/x path_syntax.asp

解析代码示例

1. # 数据是 html格式，有时候网页会用 JS请求数据，只有等JS都加载结束后，才能获取完成的html，但xpath不受限制
2. def getMoviePhotos():
3. url = 'https://movie.douban.com/subject_search?search_text=' + query + '&cat=1002'
4. driver = webdriver.Chrome(chromedriverPath)
5. driver.get(url)
6. # 初始化
7. html = etree.HTML(driver.page_source)
8. # 使用xpath helper, ctrl+shit+x 选中元素
9. # xpath 语法 http://www.w3school.com.cn/xpath/xpath_syntax.asp
10. src_xpath = "//div[@class='item-root']/a[@class='cover-link']/img[@class='cover']/@src"
11. title_xpath = "//div[@class='item-root']/div[@class='detail']/div[@class='title']/a[@class='title-text']"
12. srcs = html.xpath(src_xpath)
13. titles = html.xpath(title_xpath)
14. # zip()函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，返回由元组组成的对象。优点是节约内存
15. # 参考 http://www.runoob.com/python3/python3-func-zip.html
16. for src, title in zip(srcs, titles):
17. # join 字符串拼接
18. print('t'.join([str(src), str(title.text)]))
19. download(src, title.text)
20. driver.close()

完整代码

1. import requests
2. import json
3. # lxml是一个流行的解析库，使用的是Xpath语法，可以解析HTML
4. from lxml import etree
5. from selenium import webdriver
6. query = '王祖贤'
7. downloadPath = 'D:/workspace/study/python/text_classification/testdata/photos/'
8. # chromedriver需要配置环境变量，查看网上资料说建议放到python的Scripts目录下
9. chromedriverPath = 'D:/devsoft/python/Scripts/chromedriver'
10. ''' 下载图片 '''
11. def download(src, id):
12. dir = downloadPath + str(id) + '.jpg'
13. try:
14. pic = requests.get(src, timeout=10)
15. fp = open(dir, 'wb')
16. fp.write(pic.content)
17. fp.close()
18. except requests.exceptions.ConnectionError:
19. print('图片无法下载')
20. # 数据是json格式
21. def getPhotos():
22. ''' for 循环 请求全部的 url '''
23. for i in range(0, 200, 20):
24. url = 'https://www.douban.com/j/search_photo?q=' + query + '&limit=20&start=' + str(i)
25. html = requests.get(url).text # 得到返回结果
26. response = json.loads(html, encoding='utf-8') # 将 JSON 格式转换成 Python 对象
27. for image in response['images']:
28. print(image['src']) # 查看当前下载的图片网址
29. download(image['src'], image['id']) # 下载一张图片
30. # 数据是 html格式，有时候网页会用 JS请求数据，只有等JS都加载结束后，才能获取完成的html，但xpath不受限制
31. def getMoviePhotos():
32. url = 'https://movie.douban.com/subject_search?search_text=' + query + '&cat=1002'
33. driver = webdriver.Chrome(chromedriverPath)
34. driver.get(url)
35. # 初始化
36. html = etree.HTML(driver.page_source)
37. # 使用xpath helper, ctrl+shit+x 选中元素
38. # xpath 语法 http://www.w3school.com.cn/xpath/xpath_syntax.asp
39. src_xpath = "//div[@class='item-root']/a[@class='cover-link']/img[@class='cover']/@src"
40. title_xpath = "//div[@class='item-root']/div[@class='detail']/div[@class='title']/a[@class='title-text']"
41. srcs = html.xpath(src_xpath)
42. titles = html.xpath(title_xpath)
43. # zip()函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，返回由元组组成的对象。优点是节约内存
44. # 参考 http://www.runoob.com/python3/python3-func-zip.html
45. for src, title in zip(srcs, titles):
46. # join 字符串拼接
47. print('t'.join([str(src), str(title.text)]))
48. download(src, title.text)
49. driver.close()
50. getPhotos()
51. getMoviePhotos()

成果

总结

用python实现爬虫一直是我想学习的，但却迟迟没有行动，趁着放假，跟着数据分析的专栏做了几个实战的练习，很高兴最后成功了，思路和代码参考了老师的例子和大家的评论，因为我是python零基础，所以通过实战也顺便学了python。整个过程下来的感悟是，还是实战学东西快，以后更要多多实操，而不仅仅看理论。小小的实战成功能激发自己学习的动力，希望大家也能亲自尝试下。