爬虫实现百度贴吧的图片爬取

基本流程:

初始化要爬取的内容,然后使用requests模块进行爬取,使用xpath进行匹配,最后再将图片和详情存入文件夹里面

代码如下:

import requests
import re
import time
import random
import lxml.etree
from lxml.html import tostring
from lxml import etree

"""初始化参数"""
kw = '篮球'
base_url = 'http://tieba.baidu.com/f'
headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.85 Safari/537.36 Edg/90.0.818.46"}
page_num = 1  # 爬取页数
title = ''
path = 'E:\\作业图片\\spider\\'



def parse_text(url, params=None):
    """发送请求,获取响应内容"""

    # 休眠,避免被对方反爬检测到
    time.sleep(random.randint(1, 5))

    req = requests.get(url, headers=headers, params=params)
    return req.text


def parse_byte(url, params=None):
    """发送请求,获取响应内容"""

    time.sleep(random.random() * 2)
    req = requests.get(url, headers=headers, params=params)
    return req.content


def page(content, page_num=1):
    """解析每一页"""

    print('第{}页爬取中...'.format(page_num))
    page_num += 1

    # 这一句就是为了把每个超链接匹配出来
    url_title = re.findall(
        r'<a rel="noreferrer" href="(/p/\d+?)" title=".+?" target="_blank" class="j_th_tit ">(.+?)</a>', content)
    #
    # html_get = etree.HTML(content)
    # div_ok = html_get.xpath('//div[@id="mw-content-text"]')[0]
    # div_content = tostring(div_ok).decode('utf-8')
    url_title1 = lxml.etree.HTML(content)

    url_title2 = url_title1.xpath('//*[@id="thread_list"]/li/div/div[2]/div[1]/div[1]/a')

    # '//*[@id="thread_list"]/li[3]/div/div[2]/div[1]/div[1]/a'
    # '//*[@id="thread_list"]/li[5]/div/div[2]/div[1]/div[1]/a'
    # '//*[@id="thread_list"]/li[10]/div/div[2]/div[1]/div[1]/a'
    # '//*[@id="thread_list"]/li[4]/div/div[2]/div[1]/div[1]/a'
    # '//*[@id="thread_list"]/li[6]/div/div[2]/div[1]/div[1]/a'
    for i in url_title2:
        print(i)


    for url, title in url_title:
        # 去掉非中文
        title = re.sub('[^\u4e00-\u9fa5]+', '', title)
        # 细节处理:其实就是保存每个帖子的图片
        detail('https://tieba.baidu.com' + url, title)
        # 保存标题
        save_title(title)

    # 判断下一页
    next_url = re.findall(r'<a href="(.*?)" .*?>下一页&gt;</a>', content)
    if next_url:
        next_url = 'https:' + next_url[0]
        content = parse_text(url=next_url)
        page(content, page_num)
    else:
        print('爬虫结束...')


def detail(url, title):
    """每一个帖子的详情"""
    content = parse_text(url=url)
    urls = re.findall(r'<img class="BDE_Image".*?src="(.*?)".*?>', content)
    for url in urls:
        save_img(url, title)


def save_title(title):
    """保存帖子的标题"""
    with open(path + 'tieba\\tieba_{}.txt'.format(kw), 'a', encoding='utf-8') as file:
        file.write(title)
        file.write('\n')


def save_img(url, title):
    """保存图片"""
    content = parse_byte(url=url)
    image_path = path + 'tieba\\images\\{}_{}'.format(title, url[-30:])
    with open(image_path, 'wb') as file:
        file.write(content)


print('爬虫开始...')
content = parse_text(url=base_url, params={'kw': kw, 'ie': 'utf-8', 'fr': 'search'})
page(content)

若想爬取其他的内容,需要将xpath进行修改,以及kw赋值为你想爬取的商品,并确保电脑的目录存在方可成功

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值