自学python也有一些时间了,偶然间知道爬虫这个东西,于是就在各位大佬的文章上看啊看,代码挑啊挑。什么都不会啊,不看别人的代码怎么办?难不成我凭空coding吗,我还没毕业呢,还差点火候,不过最后总算是爬到了一点点数据
先贴上代码
import requests
import re
from bs4 import BeautifulSoup #从bs4这个库中导入BeautifulSoup
headers = {'User-Agent' : 'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'}
DOWNLOAD_URL = 'https://www.imooc.com/search/course?words=python爬虫'
html = requests.get(DOWNLOAD_URL, headers= headers)
bhtml = BeautifulSoup(html.content, "html.parser") #使用BeautifulSoup解析这段代码
html=str(bhtml)
print(html)
imgre = re.findall(r'//szimg.+?\.jpg',html)
print(imgre)
for i,pic_url in enumerate(imgre):
pic_url = r'http:'+pic_url
pic = requests.get(pic_url)
string = str(i+1)+'.jpg'
with open(string,'wb') as f:
f.write(pic.content)
安装什么的,网上的教程一大堆,我主要先说一下环境路径的问题吧(毕竟在这里吃过亏)
import第三方的包没问题的自行跳过
这里用的编辑器是pycharm-community(社区版,免费的!)
file->setting
因为我们要用到很多第三方的包,一般来说在cmd然后打pip install XXX就可以把第三方的包装上了,但是呢,有一些耿直boy就会弄错路径,导致在cmd里安装的是一个位置(我明明cmd安装好使啊,import就不好使呢),自己在pycharm里面搞的又是一个路径,咋整?
你要是实在是整不明白路径的话,就点击这个加号吧
然后进入页面,搜索你想要安装的包,左下角点击安装,就可以了(md我说的好详细,是我最近操作手册写多了吧)
步入正题,大佬们都是爬什么豆瓣啊,贴吧啊什么的,如今好多的网页都是动态网页,我们写的这种初级爬虫是爬取不到动态网页的,所以我挑了一个比较好爬取的网页,慕课网
我们的目的是爬取左边的图片
在这里我们需要借助两个第三方的包
requests和Beautifulsoup4,通过前面教过的方式,我们可以正常使用这两个包了
requests真的很方便,通过requests向服务器发送请求,返回的数据再通过Beautifulsoup4来解析,然后我们就得到了网页的源代码。
然后打开你的Chrome浏览器,进入这个网址
右键,检查,然后通过那个小箭头我找到了这张图片的地址
试一下,嗯,确实是这图片的地址。
资源都找到了,接下来就是爬取了,这里我们re通过正则表达式进行匹配,也就得到了该页的图片的字符串地址,注意,返回的是数组。
这时还是缺点东西,因为我们爬取到手里的现在是网页图片的地址字符串并不能用,还缺个前缀,于是在前面添加一个“http”
执行后图片就存进来了。
一定要敢改,大佬们的代码一定要敢该,改来改去你就开始明白了
附注:启蒙我爬虫的大佬的文章,学爬虫的可以看一下,很有用
萌新写爬虫一路磕磕碰碰,大佬如果觉得辣眼睛可以缓一缓,有沟通有交流我们可以在下面评论详细说、慢慢说,毕竟我也是个萌新。欢迎批评不对的地方,我们共同进步。
秀优越的话,左转不送(`・ω・´)(悄悄给你叠起来)
侵删