Python爬虫实战四之抓取淘宝MM照片

浏览: 2285

本篇目标

1.抓取淘宝MM的姓名，头像，年龄

2.抓取每一个MM的资料简介以及写真图片

3.把每一个MM的写真图片按照文件夹保存到本地

4.熟悉文件保存的过程

1.URL的格式

在这里我们用到的URL是 http://mm.taobao.com/json/request_top_list.htm?page=1，问号前面是基地址，后面的参数page是代表第几页，可以随意更换地址。点击开之后，会发现有一些淘宝MM的简介，并附有超链接链接到个人详情页面。

我们需要抓取本页面的头像地址，MM姓名，MM年龄，MM居住地，以及MM的个人详情页面地址。

2.抓取简要信息

相信大家经过上几次的实战，对抓取和提取页面的地址已经非常熟悉了，这里没有什么难度了，我们首先抓取本页面的MM详情页面地址，姓名，年龄等等的信息打印出来，直接贴代码如下

__author__ = 'CQC'

# -*- coding:utf-8 -*-



import urllib

import urllib2

import re



class Spider:



    def __init__(self):

        self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'



    def getPage(self,pageIndex):

        url = self.siteURL + "?page=" + str(pageIndex)

        print url

        request = urllib2.Request(url)

        response = urllib2.urlopen(request)

        return response.read().decode('gbk')



    def getContents(self,pageIndex):

        page = self.getPage(pageIndex)

        pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="https://ask.hellobi.com/(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)

        items = re.findall(pattern,page)

        for item in items:

            print item[0],item[1],item[2],item[3],item[4]



spider = Spider()

spider.getContents(1)

运行结果如下


 2.文件写入简介

在这里，我们有写入图片和写入文本两种方式

1）写入图片

#传入图片地址，文件名，保存单张图片

def saveImg(self,imageURL,fileName):

     u = urllib.urlopen(imageURL)

     data = u.read()

     f = open(fileName, 'wb')

     f.write(data)

     f.close()

2）写入文本

def saveBrief(self,content,name):

    fileName = name + "/" + name + ".txt"

    f = open(fileName,"w+")

    print u"正在偷偷保存她的个人信息为",fileName

    f.write(content.encode('utf-8'))

3）创建新目录

#创建新目录

def mkdir(self,path):

    path = path.strip()

    # 判断路径是否存在

    # 存在     True

    # 不存在   False

    isExists=os.path.exists(path)

    # 判断结果

    if not isExists:

        # 如果不存在则创建目录

        # 创建目录操作函数

        os.makedirs(path)

        return True

    else:

        # 如果目录存在则不创建，并提示目录已存在

        return False

3.代码完善

主要的知识点已经在前面都涉及到了，如果大家前面的章节都已经看了，完成这个爬虫不在话下，具体的详情在此不再赘述，直接帖代码啦。

spider.py
__author__ = 'CQC'

# -*- coding:utf-8 -*-



import urllib

import urllib2

import re

import tool

import os



#抓取MM

class Spider:



    #页面初始化

    def __init__(self):

        self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'

        self.tool = tool.Tool()



    #获取索引页面的内容

    def getPage(self,pageIndex):

        url = self.siteURL + "?page=" + str(pageIndex)

        request = urllib2.Request(url)

        response = urllib2.urlopen(request)

        return response.read().decode('gbk')



    #获取索引界面所有MM的信息，list格式

    def getContents(self,pageIndex):

        page = self.getPage(pageIndex)

        pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="https://ask.hellobi.com/(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)

        items = re.findall(pattern,page)

        contents = []

        for item in items:

            contents.append([item[0],item[1],item[2],item[3],item[4]])

        return contents



    #获取MM个人详情页面

    def getDetailPage(self,infoURL):

        response = urllib2.urlopen(infoURL)

        return response.read().decode('gbk')



    #获取个人文字简介

    def getBrief(self,page):

        pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)

        result = re.search(pattern,page)

        return self.tool.replace(result.group(1))



    #获取页面所有图片

    def getAllImg(self,page):

        pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)

        #个人信息页面所有代码

        content = re.search(pattern,page)

        #从代码中提取图片

        patternImg = re.compile('<img.*?src="(.*?)"',re.S)

        images = re.findall(patternImg,content.group(1))

        return images





    #保存多张写真图片

    def saveImgs(self,images,name):

        number = 1

        print u"发现",name,u"共有",len(images),u"张照片"

        for imageURL in images:

            splitPath = imageURL.split('.')

            fTail = splitPath.pop()

            if len(fTail) > 3:

                fTail = "jpg"

            fileName = name + "/" + str(number) + "." + fTail

            self.saveImg(imageURL,fileName)

            number += 1



    # 保存头像

    def saveIcon(self,iconURL,name):

        splitPath = iconURL.split('.')

        fTail = splitPath.pop()

        fileName = name + "/icon." + fTail

        self.saveImg(iconURL,fileName)



    #保存个人简介

    def saveBrief(self,content,name):

        fileName = name + "/" + name + ".txt"

        f = open(fileName,"w+")

        print u"正在偷偷保存她的个人信息为",fileName

        f.write(content.encode('utf-8'))





    #传入图片地址，文件名，保存单张图片

    def saveImg(self,imageURL,fileName):

         u = urllib.urlopen(imageURL)

         data = u.read()

         f = open(fileName, 'wb')

         f.write(data)

         print u"正在悄悄保存她的一张图片为",fileName

         f.close()



    #创建新目录

    def mkdir(self,path):

        path = path.strip()

        # 判断路径是否存在

        # 存在     True

        # 不存在   False

        isExists=os.path.exists(path)

        # 判断结果

        if not isExists:

            # 如果不存在则创建目录

            print u"偷偷新建了名字叫做",path,u'的文件夹'

            # 创建目录操作函数

            os.makedirs(path)

            return True

        else:

            # 如果目录存在则不创建，并提示目录已存在

            print u"名为",path,'的文件夹已经创建成功'

            return False



    #将一页淘宝MM的信息保存起来

    def savePageInfo(self,pageIndex):

        #获取第一页淘宝MM列表

        contents = self.getContents(pageIndex)

        for item in contents:

            #item[0]个人详情URL,item[1]头像URL,item[2]姓名,item[3]年龄,item[4]居住地

            print u"发现一位模特,名字叫",item[2],u"芳龄",item[3],u",她在",item[4]

            print u"正在偷偷地保存",item[2],"的信息"

            print u"又意外地发现她的个人地址是",item[0]

            #个人详情页面的URL

            detailURL = item[0]

            #得到个人详情页面代码

            detailPage = self.getDetailPage(detailURL)

            #获取个人简介

            brief = self.getBrief(detailPage)

            #获取所有图片列表

            images = self.getAllImg(detailPage)

            self.mkdir(item[2])

            #保存个人简介

            self.saveBrief(brief,item[2])

            #保存头像

            self.saveIcon(item[1],item[2])

            #保存图片

            self.saveImgs(images,item[2])



    #传入起止页码，获取MM图片

    def savePagesInfo(self,start,end):

        for i in range(start,end+1):

            print u"正在偷偷寻找第",i,u"个地方，看看MM们在不在"

            self.savePageInfo(i)





#传入起止页码即可，在此传入了2,10,表示抓取第2到10页的MM

spider = Spider()

spider.savePagesInfo(2,10)
tool.py
__author__ = 'CQC'

#-*- coding:utf-8 -*-

import re



#处理页面标签类

class Tool:

    #去除img标签,1-7位空格,&nbsp;

    removeImg = re.compile('<img.*?>| {1,7}|&nbsp;')

    #删除超链接标签

    removeAddr = re.compile('<a.*?>|</a>')

    #把换行的标签换为\n

    replaceLine = re.compile('<tr>|<div>|</div>|</p>')

    #将表格制表<td>替换为\t

    replaceTD= re.compile('<td>')

    #将换行符或双换行符替换为\n

    replaceBR = re.compile('<br><br>|<br>')

    #将其余标签剔除

    removeExtraTag = re.compile('<.*?>')

    #将多行空行删除

    removeNoneLine = re.compile('\n+')

    def replace(self,x):

        x = re.sub(self.removeImg,"",x)

        x = re.sub(self.removeAddr,"",x)

        x = re.sub(self.replaceLine,"\n",x)

        x = re.sub(self.replaceTD,"\t",x)

        x = re.sub(self.replaceBR,"\n",x)

        x = re.sub(self.removeExtraTag,"",x)

        x = re.sub(self.removeNoneLine,"\n",x)

        #strip()将前后多余内容删除

        return x.strip()

以上两个文件就是所有的代码内容，运行一下试试看，那叫一个酸爽啊

QQ截图20150221020543

 

看看文件夹里面有什么变化

QQ截图20150221020709

 

QQ截图20150221021032

不知不觉，海量的MM图片已经进入了你的电脑，还不快快去试试看！！

代码均为本人所敲，写的不好，大神勿喷，写来方便自己，同时分享给大家参考！希望大家支持！

推荐 2
Siyuan Ding 梁勇
本文由 崔庆才 创作，采用 知识共享署名-相同方式共享 3.0 中国大陆许可协议 进行许可。
转载、引用前需联系作者，并署名作者且注明文章出处。
本站文章版权归原作者及原出处所有 。内容为作者个人观点， 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台，并不用于任何商业目的，如果有任何问题，请及时联系我们，我们将根据著作权人的要求，立即更正或者删除有关内容。本站拥有对此声明的最终解释权。

1 个评论

Siyuan Ding

Siyuan Ding

不错
2016-11-25 15:37

要回复文章请先登录或注册