使用模块:
re
os
requests
import re
import os
import requests
from requests.packages.urllib3.exceptions import InsecureRequestWarning
if not os.path.exists('./趣图'):
os.mkdir('./趣图')
headers={
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36"
}
url="https://www.qiushibaike.com/imgrank/page/%d/"
for page_num in range(1,14):
new_url=format(url%page_num)
requests.packages.urllib3.disable_warnings(InsecureRequestWarning)
respones=requests.get(url=new_url,headers=headers,verify=False).text
# <div class="thumb">
#
# <a href="/article/123837310" target="_blank">
# <img src="//pic.qiushibaike.com/system/pictures/12383/123837310/medium/HETA1A501JR3YONC.jpg" alt="糗事#123837310" class="illustration" width="100%" height="auto">
# </a>
# </div>
zengze='<div class="thumb">.*?<img src="(.*?)" alt.*?</div>'
img_data=re.findall(zengze,respones,re.S) #通过正则寻找符合条件的数据(获取到的是每张图片的url)
# print(img_data)
for src in img_data:
src="https:"+src #拼接网址
# print(src)
img_data_list=requests.get(url=src,headers=headers,verify=False).content #获取图片的二进制信息
img_name=src.split('/')[-1] #获取图片的名称,截取的是每个图片url的最后一段,以/分割
img_path='./趣图/'+img_name #文件的保存路径
with open(img_path,'wb') as fp: #存入文件
fp.write(img_data_list)
print('正在下载'+img_name)
知识点:
if not os.path.exists('./趣图'):
os.mkdir('./趣图')
作用:判断一个文件夹是否存在,如果不存在则创建一个文件夹
os.mkdir(路径/文件夹名称)
url="https://www.qiushibaike.com/imgrank/page/%d/"
for page_num in range(1,14):
作用:实现分页爬取,观察原url发现,每页路径相同,仅仅占位符位置显示的是第几页,这样可以使用遍历,获取到每页的url.进行内容的爬取(原网页中共13页,python默认左闭右开)
new_url=format(url%page_num)
作用:这句代码作用很简单,即将遍历产生的num与原网址进行拼接,即可获取到每页的请求网页
zengze='<div class="thumb">.*?<img src="(.*?)" alt.*?</div>'
作用:简单的正则表达式,使用这条正则可以获取到图片的请求url
img_data=re.findall(zengze,respones,re.S)
作用:通过findall方法,使用编写的正则获取到respones中的图片url
for src in img_data:
src="https:"+src
作用:通过遍历,将每张图片的url地址进行拼接,因为原网页中图片的请求路径没有协议名
img_name=src.split('/')[-1]
作用:从图片url中通过’/'分隔符截取出最后一段内容作为图片名
with open(img_path,'wb') as fp: #存入文件
fp.write(img_data_list)
作用:将请求到的图片保存到刚才创建的文件夹下