python贴吧爬虫-Python 爬虫练习： 爬取百度贴吧中的图片

背景：最近开始看一些Python爬虫相关的知识，就在网上找了一些简单已与练习的一些爬虫脚本

实现功能：1，读取用户想要爬取的贴吧

2，读取用户先要爬取某个贴吧的页数范围

3，爬取每个贴吧中用户输入的页数范围内的每个帖子的链接

4，爬取每个帖子中的图片，并下载到本地。

开发环境：Python 3.7 , lxml, urllib

思路分析：

1，指定贴吧URL的获取

比如我们进入“秦时明月汉时关”吧

?后面为查询字符串，“%E7%A7%A6%E6%97%B6%E6%98%8E%E6%9C%88“是贴吧名称“秦时明月”的url编码。

这样我们就可以通过构造请求进入每一个贴吧了，代码实现如下：

importurllib.parse#贴吧url前半部分

url = "http://tieba.baidu.com/f?"value= input("请输入要爬取的贴吧名称：")#将查询字符串转换为url编码形式

key = urllib.parse.urlencode({"kw":value})#组合完整的贴吧url url = url +key#查看完整url

print url

运行程序，这里输入“天行九歌”作为演示，可以得到天行九歌吧的完整链接如下：

这样就可以获取任意贴吧的链接了。

二、获取贴吧指定页数的链接：

我们进入天行九歌吧，取出该贴吧第2页到底4页的url，如下：

我们发现，每一页的url变化的是pn的值，依次增加50，结合上面贴吧完整的url，要想获得每一页的链接可以如下

importurllib.parse

url= "http://tieba.baidu.com/f?"value= input("请输入要爬取的贴吧名称：")

key= urllib.parse.urlencode({"kw":value})#贴吧完整url

url = url +key

begin_page= int(input("请输入起始页："))

end_page= int(input("请输入终止页："))for page in range(begin_page, end_page+1):

pn= (page-1)*50

#组合出贴吧每一页的url

full_url = url + "&pn=" +str(pn)print (full_url)

运行程序，输入贴吧名称：“天行九歌”，再输入起始页1，终止页5，可得到如下结果：

这样我们就可以拿到贴吧每一页的链接了。

三、获取贴吧每一页中帖子的链接：

选择一个帖子，首先查看该帖子的元素得到：

端木蓉为何一直不苏醒

然后进入这个帖子取得它的完整链接：

http://tieba.baidu.com/p/5344262338

分析可得：完整链接可由两部分组成，http://tieba.baidu.com和/p/5344262338，后面的部分可以从页面源码中提取，使用xpath规则提取如下：

xpath提取规则：//a[@class="j_th_tit"]/@href（先在浏览器中使用插件匹配，规则很多，找到合适的就行）

下面选择第二页帖子链接做如下演示

#-*- coding: utf-8 -*-

importurllib.requestfrom lxml importetree#贴吧第二页url

url = "http://tieba.baidu.com/f?kw=%E5%A4%A9%E8%A1%8C%E4%B9%9D%E6%AD%8C&pn=50"request=urllib.request.Request(url)

html=urllib.request.urlopen(request).read()

content=etree.HTML(html)#匹配这一页中所以帖子链接的后半部分

link_list = content.xpath('//div[@class="t_con cleafix"]/div/div/div/a/@href')for link inlink_list:#组合为完整帖子链接

fulllink = "http://tieba.baidu.com" +linkprint(fulllink)

运行程序，则可取该页中帖子的链接（展示部分）

这样就拿到了每个帖子的链接了。

四、获取每一个帖子中图片的链接：

进入一个帖子，找到发布的图片查看元素：

使用xpath规则提取图片链接：

xpath提取规则：//img[@class="BDE_Image"]/@src

取上面第一个帖子做演示：

#-*- coding: utf-8 -*-

importurllib.requestfrom lxml importetree#第一个帖子的url

url = "http://tieba.baidu.com/p/5341810557"headers= {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

request= urllib.request.Request(url, headers =headers)

html=urllib.request.urlopen(request).read()

content=etree.HTML(html)#匹配出帖子中的图片链接

link_list = content.xpath('//img[@class="BDE_Image"]/@src')for link inlink_list:print (link)

运行程序，取得帖子中图片链接（展示部分）

到现在为止，我们已经可以进入任意一个贴吧，获取每个贴吧指定页数的响应，并且可以拿到每个帖子中的图片链接，接下来要做的就是以图片链接发送请求获取响应文件保存下来即可。

五、保存图片到本地：

importurllib.request#取得的图片链接

url = "http://imgsa.baidu.com/forum/w%3D580/sign=b42c88339945d688a302b2ac94c37dab/541d5d510fb30f243576ad03c395d143ac4b0352.jpg"headers= {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

request= urllib.request.Request(url, headers =headers)

image=urllib.request.urlopen(request).read()#将图片链接后10位作为图片文件名称

filename = url[-10:]#保存图片到本地

with open(filename, "wb") as f:

f.write(image)

六、完整程序

整个过程就是这样了，根据上面的分析，写出的完整程序如下：

#!/usr/bin/env python#-*- coding: utf-8 -*-#@File : tiebaSpider.py#@Author: bpan#@Date : 2018/11/15 0015#@Desc :

from lxml importetreeimporturllib.request, urllib.parsedefloadPage(url):"""作用：根据url发送请求，获取服务器响应文件,获取一个贴吧中所有帖子的url

url: 需要爬取的url地址"""headers= {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}

request= urllib.request.Request(url,headers=headers)

html=urllib.request.urlopen(request).read()

content=etree.HTML(html)#匹配每个帖子的URL的后半部分

link_list = content.xpath('//div[@class="t_con cleafix"]/div/div/div/a/@href')for link inlink_list:#组合为每个帖子的完整链接

fulllink = "http://tieba.baidu.com" +linkprint("tiezi URL: ----------------------"+fulllink)

loadImage(fulllink)defloadImage(link):"""作用：取出每个帖子里的每个图片连接

link：每个帖子的链接"""headers= {"User-Agent": "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}

request= urllib.request.Request(link,headers=headers)

html=urllib.request.urlopen(request).read()

content=etree.HTML(html)#匹配帖子里发送的图片链接

link_list = content.xpath('//img[@class="BDE_Image"]/@src')#取出每个图片的连接

for link inlink_list:print("Image Link: --------------------"+link)

writeImage(link)defwriteImage(link):"""作用：将图片保存到本地

link：图片连接"""headers= {"User-Agent": "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}

request= urllib.request.Request(link,headers=headers)

image=urllib.request.urlopen(request).read()

filename= link[-10:]

with open(filename,"wb") as f:

f.write(image)print("已经成功下载"+filename)deftiebaSpider(url, beginPage, endPage):"""作用：负责组合处理贴吧每个页面的url

url : 贴吧url的前部分

beginPage : 起始页

endPage : 结束页"""

for page in range(beginPage,endPage+1):

pn= (page - 1) * 50fullurl= url + "&pn=" +str(pn)print("页面： -----------------"+fullurl)

loadPage(fullurl)print("谢谢使用")if __name__ == '__main__':

kw= input("请输入需要爬取的贴吧名:")

beginPage= int(input("请输入起始页："))

endPage= int(input("请输入结束页："))

url= "http://tieba.baidu.com/f?"key= urllib.parse.urlencode({"kw": kw})

fullurl= url +keyprint("fullurl: ---------------"+fullurl)

tiebaSpider(fullurl, beginPage, endPage)

运行程序，输入你要爬取的贴吧名称和要爬取的页数，图片就可以下载到你的工作目录下了。

参考链接：

https://www.cnblogs.com/xinyangsdut/p/7616053.html

https://blog.csdn.net/moll_77/article/details/78581817　　这是python 2 和Python3中url类库的区别