【Python爬虫开发实战①】使用urllib以及XPath爬取可爱小猫图片

个人主页：为梦而生~ 关注我一起学习吧！
专栏：python网络爬虫从基础到实战 欢迎订阅！后面的内容会越来越有意思~
往期推荐：
【Python爬虫开发基础⑦】urllib库的基本使用
【Python爬虫开发基础⑧】XPath库及其基本用法
我们在之前已经有8篇文章讲述基础知识了，下面我们利用已有的知识来进行一个简单的爬虫实战，感受一下爬虫的魅力，同时也可以增加学习的乐趣~
本文爬虫程序用到了urllib库和XPath库，都是上两次文章讲过的，链接已经放在上面了，没有看过的先看一下前置知识哦~下面我们马上开始！

首先来看一下效果：

---

---

1 确定爬取目标

我们第一步要做的，就是找到要爬取的目标网站，同时利用开发者工具看清楚前端的代码结构，方便我们写合适的xpath代码。

在这里，我们可以看到，class属性为container的div标签有两个，通过定位知道下面的标签包含着想要的图片。

在其中包含图片的div标签里面，我们注意到，每一个class属性为item masonry-brick的div标签对应着一个图片。

每一个图片的地址和名字就藏在这里面，但是着并不代表可以直接用，具体原因我们后面再说。

---

2 开始写代码

• 首先，导入需要的库

from lxml import etree
import urllib.request

• 设置开始和结束页

start_page = int(input('请输入起始页码：'))
end_page = int(input('清输入结束页码：'))

• 然后，对每一页的数据，都按照这三步进行：(1)请求对象的定制 (2)获取网页的源码 (3)下载图片
• 可以用一个for循环来完成

for page in range(start_page, end_page+1):
    # (1) 请求对象的定制
    request = create_request(page)
    # (2) 获取网页的源码
    content = get_content(request)
    # (3) 下载
    down_load(content)

• 下面来定义里面的每一个函数（细节放在代码的注释中讲解）

# 请求对象的定制
def create_request(page):
	# 由于不同的页码会导致网址的改变，所以我们把不变的部分作为base_url
    base_url = 'https://sc.chinaz.com/tupian/xiaomaotupian.html'
    # 对于形参不同的page，我们通过简单的字符串拼接得到响应的网址
    if page == 1 :
        url = base_url
    else :
        url = 'https://sc.chinaz.com/tupian/xiaomaotupian_' + str(page) + '.html'
    print(url)
    # 设置请求头，这里设置了UA，每一个浏览器的UA不一样，可以到抓包后的报文中找
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36'
    }
    # 生成请求对象，用于向服务器发送请求
    request = urllib.request.Request(url = url, headers = headers)
    # 返回请求对象
    return request

• 根据请求对象，向服务器发送请求，获取网页源码

# 获取网页的源码
def get_content(request):
    # 发送请求获取响应
    response = urllib.request.urlopen(request)
    # 对响应进行解码
    content = response.read().decode('utf-8')
    # 返回
    return content

• 进行最后一步：下载

# 下载
def down_load(content):
	# 创建ElementTree对象
    tree = etree.HTML(content)
    # 使用xpath表达式，获取图片的名字和对应的地址
    name_list = tree.xpath('//div[@class="container"]//img/@alt') 
    # 由于页面的预加载，获取到的HTML代码中，图片的地址并不会直接存在src里面，而是后面的data-original
    src_list = tree.xpath('//div[@class="container"]//img/@data-original')
    
#     print(len(name_list), len(src_list))
	# 遍历本页面的所有图片
    for i in range(len(name_list)):
        name = name_list[i]
        src = src_list[i]
        url = 'https:' + src
#         print(name, url)
		# 利用urlretrieve进行图片的下载
        urllib.request.urlretrieve(url = url, filename = './cat imgs/' + name + '.jpg')

注意：上面的图片预加载是指：当页面还没有滑倒最下面的时候，后面的img标签里面的src属性并没有存储图片的地址，而地址是存在后面的data-original里面，如下图所示：

最后，我们运行代码，就可以得到一开始的图片了！赶紧试一下吧！后面的文章会介绍更加丰富多彩的爬虫基础~敬请期待