爬虫-批量获取图片

python版本：3.0

使用库： import urllib.request  #打开网页的库

            import os                  #创建文件夹有关

程序作用：批量爬取煎蛋网上图片

 

视频链接：链接：http://pan.baidu.com/s/1mhLBwWo 密码：1n51

有一点与视频不同：视频中图片链接为http:打头，实际煎蛋网目前没有http:，会导致无法识别网页类型，不能正确下载，在保存是补上http:即可

 

基础知识：

1.对于某个网站，网址一般是按顺序编码的比如：http://jandan.net/ooxx/

使用浏览器的审查元素，可以发现网址<a href="http://jandan.net/ooxx/page-2366#comments">

2366 </a>

第一页，第十页，第二十页改变的就是page-后面的数字，改变每次打开网页的这个数字就可以达到刷网页的目的，大家可以依次打开下面的网址，可以发现其规律

http://jandan.net/ooxx/page-2366#comments

http://jandan.net/ooxx/page-2365#comments

http://jandan.net/ooxx/page-2364#comments

2.网页上图片点击，可以发现图片的地址都有如下规律：

http://wx1.sinaimg.cn/mw600/005vbOHfgy1fd1ur0l6lbj31ao1y0nc8.jpg

http://wx1.sinaimg.cn/mw600/005vbOHfgy1fd1ur0l6lbj31ao1y0nc7.jpg

我们可以从一个网页的代码中筛选出这个格式的链接，利用python带的函数下载即可

 

程序思路：批量获取含有图片的网页，获取网页上包含的图片链接，下载图片

 

程序框架：

def test1(folder ='OOXX',pages=2):       //00XX为文件夹，程序运行时将创建，pages为抓取的网页数
    os.mkdir(folder)  #创建文件夹
    os.chdir(folder)  
    url="http://jandan.net/ooxx/"       //要抓取的网页
    page_num=int(get_page(url))         //获取第一个网址

    for i in range(pages):              
        page_num -=i        
        page_url= url +'page-' +str(page_num) +'#comments'   //批量获取网址
        img_addrs = find_imgs(page_url)    //获取图片链接
        save_imgs(folder,img_addrs)       //保存图片
if __name__=='__main__':
        test1()

完整代码：

import urllib.request     #打开网页的库
import os                 #创建文件夹有关


def url_open(url):        #打开网页
    req=urllib.request.Request(url)     #
    req.add_header('User-Agent','Mozilla/5.0 (Windows; U; Windows NT 5.2) AppleWebKit/525.13 (KHTML, like Gecko) Chrome/0.2.149.27 Safari/525.13 ')     #看起来像浏览器访问
    response = urllib.request.urlopen(url)
    html = response.read()
    print(url)
    return html

def get_page(url):             
    html=url_open(url).decode('utf-8')  #解码
    a=html.find('current-comment-page')+23
    b=html.find(']',a)
    return html[a:b]
   
   


def find_imgs(url):        #寻找图片地址
    html=url_open(url).decode('utf-8')
    img_addrs=[]
    a=html.find('img src=')
    while a!=-1:
        
        b =  html.find('.jpg',a,a+255)       #找不到返回-1，255限定结束范围
        if b!=-1:                            #找到了
            img_addrs.append('http:'+html[a+9:b+4])  #列表添加地址  实际地址缺少http:  
        else:
            b=a+9
        a=html.find('img src=',b)
    for each in img_addrs:
        print(each)
    return img_addrs
def save_imgs(folder,img_addrs):             #保存图片
    for each in img_addrs:
        filename =  each.split('/')[-1]
        with open(filename,'wb') as f:
            img = url_open(each)
            f.write(img)

def test1(folder ='OOXX',pages=2):
    os.mkdir(folder)  #创建文件夹
    os.chdir(folder)
    url="http://jandan.net/ooxx/"
    page_num=int(get_page(url))

    for i in range(pages):
        page_num -=i        
        page_url= url +'page-' +str(page_num) +'#comments'
        img_addrs = find_imgs(page_url)
        save_imgs(folder,img_addrs)
if __name__=='__main__':
        test1()