python中class_用python从豆瓣上爬取王祖贤的照片-CSDN博客

本文链接：https://blog.csdn.net/weixin_39645249/article/details/111294448

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

# 数据是json格式

def getPhotos():

''' for 循环请求全部的 url '''

for i in range(0, 200, 20):

url = 'https://www.douban.com/j/search_photo?q=' + query + '&limit=20&start=' + str(i)

html = requests.get(url).text # 得到返回结果

response = json.loads(html, encoding='utf-8') # 将 JSON 格式转换成 Python 对象

for image in response['images']:

print(image['src']) # 查看当前下载的图片网址

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/xpath_syntax.asp

解析代码示例

# 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

def getMoviePhotos():

url = 'https://movie.douban.com/subject_search?search_text=' + query + '&cat=1002'

driver = webdriver.Chrome(chromedriverPath)

driver.get(url)

# 初始化

html = etree.HTML(driver.page_source)

# 使用xpath helper, ctrl+shit+x 选中元素

# xpath 语法 http://www.w3school.com.cn/xpath/xpath_syntax.asp

src_xpath = "//div[@class='item-root']/a[@class='cover-link']/img[@class='cover']/@src"

title_xpath = "//div[@class='item-root']/div[@class='detail']/div[@class='title']/a[@class='title-text']"

srcs = html.xpath(src_xpath)

titles = html.xpath(title_xpath)

# 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

# 参考 http://www.runoob.com/python3/python3-func-zip.html

for src, title in zip(srcs, titles):

# join 字符串拼接

print('\t'.join([str(src), str(title.text)]))

download(src, title.text)

driver.close()

完整代码

import requests

import json

# lxml是一个流行的解析库，使用的是Xpath语法，可以解析HTML

from lxml import etree

from selenium import webdriver

query = '王祖贤'

downloadPath = 'D:/workspace/study/python/text_classification/testdata/photos/'

# 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

chromedriverPath = 'D:/devsoft/python/Scripts/chromedriver'

''' 下载图片 '''

def download(src, id):

dir = downloadPath + str(id) + '.jpg'

try:

pic = requests.get(src, timeout=10)

fp = open(dir, 'wb')

fp.write(pic.content)

fp.close()

except requests.exceptions.ConnectionError:

print('图片无法下载')