呃本来只是想给题主一个传送，因为本身也是一个Python爱好者。简单介绍一下我的那个入门教程，其实根本算不上教程，基本上算是一个学习的笔记，很多内容都是从网上整理然后自己实践得到的结果。如果说深入学习爬虫，还是建议那本《自己动手写网络爬虫》，是我的启蒙教程，语法是Java的，但是思路是相通的。Python爬虫的学习，最主要的是多摸索，多试验（哪个不是这样）。先从最简单的例子做起，比如爬取百度主页，爬取百度图片，然后正则，巴拉巴拉。我的学习笔记可以作为一个参考的索引，里面很多东西没有深入探讨，因为毕竟当时我也只是一个小菜（现在也差不多）。给初学者一个入门的途径，接下来的路还是要自己走^_^至于匿名、个人习惯潜水。继续匿了。------------------------------------------以前写过一个爬虫入门的系列，传送：一共12篇：比较入门，不过多接触一些小demo没有坏处哈
“入门”是良好的动机，但是可能作用缓慢。如果你手里或者脑子里有一个项目，那么实践起来你会被目标驱动，而不会像学习模块一样慢慢学习。&br&&br&另外如果说知识体系里的每一个知识点是图里的点，依赖关系是边的话，那么这个图一定不是一个有向无环图。因为学习A的经验可以帮助你学习B。因此，你不需要学习怎么样“入门”，因为这样的“入门”点根本不存在！你需要学习的是怎么样做一个比较大的东西，在这个过程中，你会很快地学会需要学会的东西的。当然，你可以争论说需要先懂python，不然怎么学会python做爬虫呢？但是事实上，你完全可以在做这个爬虫的过程中学习python :D&br&&br&看到前面很多答案都讲的“术”——用什么软件怎么爬，那我就讲讲“道”和“术”吧——爬虫怎么工作以及怎么在python实现。&br&&br&先长话短说summarize一下：&br&你需要学习&br&&ol&&li&基本的爬虫工作原理&/li&&li&基本的http抓取工具，scrapy&/li&&li&Bloom Filter: &a href=&///?target=http%3A//billmill.org/bloomfilter-tutorial/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Bloom Filters by Example&i class=&icon-external&&&/i&&/a&&/li&&li&如果需要大规模网页抓取，你需要学习分布式爬虫的概念。其实没那么玄乎，你只要学会怎样维护一个所有集群机器能够有效分享的分布式队列就好。最简单的实现是python-rq: &a href=&///?target=https%3A///nvie/rq& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&/nvie/rq&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&rq和Scrapy的结合：&a href=&///?target=https%3A///darkrho/scrapy-redis& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&darkrho/scrapy-redis · GitHub&i class=&icon-external&&&/i&&/a&&/li&&li&后续处理，网页析取(&a href=&///?target=https%3A///grangier/python-goose& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&grangier/python-goose · GitHub&i class=&icon-external&&&/i&&/a&)，存储(Mongodb)&/li&&/ol&&br&以下是短话长说：&br&&br&说说当初写的一个集群爬下整个豆瓣的经验吧。&br&&br&1）首先你要明白爬虫怎样工作。&br&想象你是一只蜘蛛，现在你被放到了互联“网”上。那么，你需要把所有的网页都看一遍。怎么办呢？没问题呀，你就随便从某个地方开始，比如说人民日报的首页，这个叫initial pages，用$表示吧。&br&&br&在人民日报的首页，你看到那个页面引向的各种链接。于是你很开心地从爬到了“国内新闻”那个页面。太好了，这样你就已经爬完了俩页面（首页和国内新闻）！暂且不用管爬下来的页面怎么处理的，你就想象你把这个页面完完整整抄成了个html放到了你身上。&br&&br&突然你发现， 在国内新闻这个页面上，有一个链接链回“首页”。作为一只聪明的蜘蛛，你肯定知道你不用爬回去的吧，因为你已经看过了啊。所以，你需要用你的脑子，存下你已经看过的页面地址。这样，每次看到一个可能需要爬的新链接，你就先查查你脑子里是不是已经去过这个页面地址。如果去过，那就别去了。&br&&br&好的，理论上如果所有的页面可以从initial page达到的话，那么可以证明你一定可以爬完所有的网页。&br&&br&那么在python里怎么实现呢？&br&很简单&br&&div class=&highlight&&&pre&&code class=&language-python&&&span class=&kn&&import&/span& &span class=&nn&&Queue&/span&
&span class=&n&&initial_page&/span& &span class=&o&&=&/span& &span class=&s&&&&&/span&
&span class=&n&&url_queue&/span& &span class=&o&&=&/span& &span class=&n&&Queue&/span&&span class=&o&&.&/span&&span class=&n&&Queue&/span&&span class=&p&&()&/span&
&span class=&n&&seen&/span& &span class=&o&&=&/span& &span class=&nb&&set&/span&&span class=&p&&()&/span&
&span class=&n&&seen&/span&&span class=&o&&.&/span&&span class=&n&&insert&/span&&span class=&p&&(&/span&&span class=&n&&initial_page&/span&&span class=&p&&)&/span&
&span class=&n&&url_queue&/span&&span class=&o&&.&/span&&span class=&n&&put&/span&&span class=&p&&(&/span&&span class=&n&&initial_page&/span&&span class=&p&&)&/span&
&span class=&k&&while&/span&&span class=&p&&(&/span&&span class=&bp&&True&/span&&span class=&p&&):&/span& &span class=&c&&#一直进行直到海枯石烂&/span&
&span class=&k&&if&/span& &span class=&n&&url_queue&/span&&span class=&o&&.&/span&&span class=&n&&size&/span&&span class=&p&&()&/span&&span class=&o&&&&/span&&span class=&mi&&0&/span&&span class=&p&&:&/span&
&span class=&n&&current_url&/span& &span class=&o&&=&/span& &span class=&n&&url_queue&/span&&span class=&o&&.&/span&&span class=&n&&get&/span&&span class=&p&&()&/span&
&span class=&c&&#拿出队例中第一个的url&/span&
&span class=&n&&store&/span&&span class=&p&&(&/span&&span class=&n&&current_url&/span&&span class=&p&&)&/span&
&span class=&c&&#把这个url代表的网页存储好&/span&
&span class=&k&&for&/span& &span class=&n&&next_url&/span& &span class=&ow&&in&/span& &span class=&n&&extract_urls&/span&&span class=&p&&(&/span&&span class=&n&&current_url&/span&&span class=&p&&):&/span& &span class=&c&&#提取把这个url里链向的url&/span&
&span class=&k&&if&/span& &span class=&n&&next_url&/span& &span class=&ow&&not&/span& &span class=&ow&&in&/span& &span class=&n&&seen&/span&&span class=&p&&:&/span&
&span class=&n&&seen&/span&&span class=&o&&.&/span&&span class=&n&&put&/span&&span class=&p&&(&/span&&span class=&n&&next_url&/span&&span class=&p&&)&/span&
&span class=&n&&url_queue&/span&&span class=&o&&.&/span&&span class=&n&&put&/span&&span class=&p&&(&/span&&span class=&n&&next_url&/span&&span class=&p&&)&/span&
&span class=&k&&else&/span&&span class=&p&&:&/span&
&span class=&k&&break&/span&
&/code&&/pre&&/div&写得已经很伪代码了。&br&&br&所有的爬虫的backbone都在这里，下面分析一下为什么爬虫事实上是个非常复杂的东西——搜索引擎公司通常有一整个团队来维护和开发。&br&&br&2）效率&br&如果你直接加工一下上面的代码直接运行的话，你需要一整年才能爬下整个豆瓣的内容。更别说Google这样的搜索引擎需要爬下全网的内容了。&br&&br&问题出在哪呢？需要爬的网页实在太多太多了，而上面的代码太慢太慢了。设想全网有N个网站，那么分析一下判重的复杂度就是N*log(N)，因为所有网页要遍历一次，而每次判重用set的话需要log(N)的复杂度。OK，OK，我知道python的set实现是hash——不过这样还是太慢了，至少内存使用效率不高。&br&&br&通常的判重做法是怎样呢？&b&Bloom Filter&/b&. 简单讲它仍然是一种hash的方法，但是它的特点是，它可以使用固定的内存（不随url的数量而增长）以O(1)的效率判定url是否已经在set中。可惜天下没有白吃的午餐，它的唯一问题在于，如果这个url不在set中，BF可以100%确定这个url没有看过。但是如果这个url在set中，它会告诉你：这个url应该已经出现过，不过我有2%的不确定性。注意这里的不确定性在你分配的内存足够大的时候，可以变得很小很少。一个简单的教程:&a href=&///?target=http%3A//billmill.org/bloomfilter-tutorial/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Bloom Filters by Example&i class=&icon-external&&&/i&&/a&&br&&br&注意到这个特点，url如果被看过，那么可能以小概率重复看一看（没关系，多看看不会累死）。但是如果没被看过，一定会被看一下（这个很重要，不然我们就要漏掉一些网页了！）。 [IMPORTANT: 此段有问题，请暂时略过]&br&&br&&br&好，现在已经接近处理判重最快的方法了。另外一个瓶颈——你只有一台机器。不管你的带宽有多大，只要你的机器下载网页的速度是瓶颈的话，那么你只有加快这个速度。用一台机子不够的话——用很多台吧！当然，我们假设每台机子都已经进了最大的效率——使用多线程（python的话，多进程吧）。&br&&br&3）集群化抓取&br&爬取豆瓣的时候，我总共用了100多台机器昼夜不停地运行了一个月。想象如果只用一台机子你就得运行100个月了...&br&&br&那么，假设你现在有100台机器可以用，怎么用python实现一个分布式的爬取算法呢？&br&&br&我们把这100台中的99台运算能力较小的机器叫作slave，另外一台较大的机器叫作master，那么回顾上面代码中的url_queue，如果我们能把这个queue放到这台master机器上，所有的slave都可以通过网络跟master联通，每当一个slave完成下载一个网页，就向master请求一个新的网页来抓取。而每次slave新抓到一个网页，就把这个网页上所有的链接送到master的queue里去。同样，bloom filter也放到master上，但是现在master只发送确定没有被访问过的url给slave。Bloom Filter放到master的内存里，而被访问过的url放到运行在master上的Redis里，这样保证所有操作都是O(1)。（至少平摊是O(1)，Redis的访问效率见:&a href=&///?target=http%3A//redis.io/commands/linsert& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&LINSERT – Redis&i class=&icon-external&&&/i&&/a&)&br&&br&&br&考虑如何用python实现：&br&在各台slave上装好scrapy，那么各台机子就变成了一台有抓取能力的slave，在master上装好Redis和rq用作分布式队列。&br&&br&&br&代码于是写成&br&&div class=&highlight&&&pre&&code class=&language-text&&#slave.py
current_url = request_from_master()
to_send = []
for next_url in extract_urls(current_url):
to_send.append(next_url)
store(current_url);
send_to_master(to_send)
#master.py
distributed_queue = DistributedQueue()
bf = BloomFilter()
initial_pages = &&
while(True):
if request == 'GET':
if distributed_queue.size()&0:
send(distributed_queue.get())
elif request == 'POST':
bf.put(request.url)
&/code&&/pre&&/div&&br&&br&好的，其实你能想到，有人已经给你写好了你需要的：&a href=&///?target=https%3A///darkrho/scrapy-redis& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&darkrho/scrapy-redis · GitHub&i class=&icon-external&&&/i&&/a&&br&&br&4）展望及后处理&br&虽然上面用很多“简单”，但是真正要实现一个商业规模可用的爬虫并不是一件容易的事。上面的代码用来爬一个整体的网站几乎没有太大的问题。&br&&br&但是如果附加上你需要这些后续处理，比如&br&&ol&&li&有效地存储（数据库应该怎样安排）&br&&/li&&li&有效地判重（这里指网页判重，咱可不想把人民日报和抄袭它的大民日报都爬一遍）&br&&/li&&li&有效地信息抽取（比如怎么样抽取出网页上所有的地址抽取出来，“朝阳区奋进路中华道”），搜索引擎通常不需要存储所有的信息，比如图片我存来干嘛...&br&&/li&&li&及时更新（预测这个网页多久会更新一次）&br&&/li&&/ol&&br&如你所想，这里每一个点都可以供很多研究者十数年的研究。虽然如此，&br&“路漫漫其修远兮,吾将上下而求索”。&br&&br&所以，不要问怎么入门，直接上路就好了：）
“入门”是良好的动机，但是可能作用缓慢。如果你手里或者脑子里有一个项目，那么实践起来你会被目标驱动，而不会像学习模块一样慢慢学习。另外如果说知识体系里的每一个知识点是图里的点，依赖关系是边的话，那么这个图一定不是一个有向无环图。因为学习A…
以下是我学python爬虫的打怪升级之路，过程充满艰辛，也充满欢乐，虽然还未打倒大boss，但一路的风景就是最大的乐趣，不是么？希望大家能get到想要的东西！&br&&br&多图预警！&br&&img src=&/55e8bcb5bc3_b.png& data-rawwidth=&288& data-rawheight=&179& class=&content_image& width=&288&&&br&&img src=&/af1babacea5ea6986eb30a_b.png& data-rawwidth=&242& data-rawheight=&268& class=&content_image& width=&242&&&br&&br&&img src=&/5ec8a7d86b7e88254ccd9_b.png& data-rawwidth=&254& data-rawheight=&230& class=&content_image& width=&254&&&br&&br&&img src=&/c60bde3fec9e5f791b1a_b.png& data-rawwidth=&278& data-rawheight=&320& class=&content_image& width=&278&&&br&&br&&img src=&/974b3d7c1c50bac62c14afe58ff0ed26_b.png& data-rawwidth=&309& data-rawheight=&318& class=&content_image& width=&309&&&br&&img src=&/2c3e1e5f18d6e6ccc548f5_b.png& data-rawwidth=&313& data-rawheight=&264& class=&content_image& width=&313&&&br&&br&&img src=&/b65ad1e407e0335107eca80e4a0bdac3_b.png& data-rawwidth=&266& data-rawheight=&240& class=&content_image& width=&266&&&br&&br&&img src=&/7e333d7d_b.png& data-rawwidth=&269& data-rawheight=&246& class=&content_image& width=&269&&&br&&br&&img src=&/2cecf7ef8b19f24a2fb42b_b.png& data-rawwidth=&299& data-rawheight=&254& class=&content_image& width=&299&&&br&&br&&img src=&/b2867a2ddb861a04a91fde5d34ed5982_b.png& data-rawwidth=&212& data-rawheight=&266& class=&content_image& width=&212&&&br&&br&&img src=&/ae5a6594ab77bfdeaaa9e45b9420c93e_b.png& data-rawwidth=&313& data-rawheight=&266& class=&content_image& width=&313&&&br&&br&&img src=&/5f65be4b49e5f84ab99efc92ab6ea61b_b.png& data-rawwidth=&304& data-rawheight=&232& class=&content_image& width=&304&&&br&&img src=&/506899fbbe618e05cbe1ed_b.png& data-rawwidth=&287& data-rawheight=&234& class=&content_image& width=&287&&&br&&br&&img src=&/009fcaa5d4a08f4eda54fb38b88e575c_b.png& data-rawwidth=&325& data-rawheight=&354& class=&content_image& width=&325&&&br&&br&&img src=&/b93fbea68a3f0b_b.png& data-rawwidth=&289& data-rawheight=&243& class=&content_image& width=&289&&&br&&br&&img src=&/ded59bbbfb4e65fd14db631_b.png& data-rawwidth=&309& data-rawheight=&189& class=&content_image& width=&309&&&br&&br&&img src=&/8da891f9d61_b.png& data-rawwidth=&266& data-rawheight=&346& class=&content_image& width=&266&&&br&&br&&img src=&/e5dbb6f838fa481c69a79ddd_b.png& data-rawwidth=&338& data-rawheight=&269& class=&content_image& width=&338&&&br&&br&&img src=&/5e1b525feb212ff0b860481ecb67288b_b.png& data-rawwidth=&255& data-rawheight=&175& class=&content_image& width=&255&&&br&以下奉献一段爬取知乎头像的代码&br&&br&&blockquote&import requests&br&import urllib&br&import re&br&import random&br&from time import sleep&br&def main():&br&
url='&a href=&/question//followers& class=&internal&&&span class=&invisible&&https://www.&/span&&span class=&visible&&/question/2259&/span&&span class=&invisible&&1304/followers&/span&&span class=&ellipsis&&&/span&&/a&'&br&
#感觉这个话题下面美女多&br&
headers={省略}&br&
for x in xrange(20,3600,20):&br&
data={'start':'0',&br&'offset':str(x),&br&'_xsrf':'a5a69348cef94c38f4e428'}&br&
#知乎用offset控制加载的个数，每次响应加载20&br&
content=requests.post(url,headers=headers,data=data,timeout=10).text&br&
#用post提交form data&br&
imgs=re.findall('&img src=\\\\\&(.*?)_m.jpg',content)
#在爬下来的json上用正则提取图片地址，去掉_m为大图
for img in imgs:&br&
img=img.replace('\\','')&br&
#去掉\字符这个干扰成分&br&
pic=img+'.jpg'&br&
path='d:\\bs4\\zhihu\\jpg\\'+str(i)+'.jpg'&br&
#声明存储地址及图片名称&br&
urllib.urlretrieve(pic,path)&br&
#下载图片&br&
print u'下载了第'+str(i)+u'张图片'&br&
sleep(random.uniform(0.5,1))&br&
#睡眠函数用于防止爬取过快被封IP&br&
except:&br&
print u'抓漏1张'&br&
sleep(random.uniform(0.5,1))&br&&br&if __name__=='__main__':&br&&br&
main() &/blockquote&&br&&br&结果：&br&&br&&img src=&/b1fc67ee3efd_b.png& data-rawwidth=&710& data-rawheight=&744& class=&origin_image zh-lightbox-thumb& width=&710& data-original=&/b1fc67ee3efd_r.png&&&br&最后，请关注我吧，我会好好维护你的时间线的：）
以下是我学python爬虫的打怪升级之路，过程充满艰辛，也充满欢乐，虽然还未打倒大boss，但一路的风景就是最大的乐趣，不是么？希望大家能get到想要的东西！多图预警！以下奉献一段爬取知乎头像的代码import requestsimport urllibimport reimport randomfro…
已有帐号？
无法登录？
社交帐号登录问题已关闭
代为完成的个人任务
提问需要满足：其他人可能遇到相似问题，或问题的解决方法对其他人有所助益。如果通过其他方式解决遇到困难，欢迎提问并说明你的求知过程。
最近学Python爬虫，想照着网上的教程（&a href=&///?target=http%3A///1001.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python爬虫实战四之抓取淘宝MM照片&i class=&icon-external&&&/i&&/a&）写段代码抓取淘女郎的信息，如姓名、图片、主页链接等。但由于淘女郎主页改版（&a href=&///?target=http%3A///search_tstar_model.htm& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&淘女郎-美人库&i class=&icon-external&&&/i&&/a&），自己写的正则抓取的信息不完整，请大神指点：&br&&br&HTML信息：&br&&div class=&highlight&&&pre&&code class=&language-html&&&span class=&nt&&&div&/span& &span class=&na&&class=&/span&&span class=&s&&&tm_main_mmArea&&/span&&span class=&nt&&&&/span&
&span class=&nt&&&ul&/span& &span class=&na&&class=&/span&&span class=&s&&&tm_main_mmArea_list&&/span&&span class=&nt&&&&/span&
&span class=&nt&&&li&/span& &span class=&na&&class=&/span&&span class=&s&&&tm_main_mmArea_item&&/span&&span class=&nt&&&&/span&
&span class=&nt&&&a&/span& &span class=&na&&target=&/span&&span class=&s&&&_blank&&/span& &span class=&na&&href=&/span&&span class=&s&&&/self/aiShow.htm?spm=0.0.0.0.DBmcby&userId=&&/span& &span class=&na&&data-spm-anchor-id=&/span&&span class=&s&&&0.0.0.0&&/span&&span class=&nt&&&&/span&
&span class=&nt&&&img&/span& &span class=&na&&class=&/span&&span class=&s&&&J_mmImg&&/span& &span class=&na&&width=&/span&&span class=&s&&&240&&/span& &span class=&na&&height=&/span&&span class=&s&&&240&&/span& &span class=&na&&onerror=&/span&&span class=&s&&&this.src='/apps/mytaobao/3.0/profile/defaultAvatar/avatar-160.png'&&/span& &span class=&na&&src=&/span&&span class=&s&&&/sns_logo/i1/TB1y4ZxHpXXXXbKXVXXSutbFXXX.jpg_240x240xz.jpg&&/span&&span class=&nt&&&&/span&
&span class=&nt&&&/a&&/span&
&span class=&nt&&&dl&/span& &span class=&na&&class=&/span&&span class=&s&&&tm_main_maitem_dl&&/span&&span class=&nt&&&&/span&
&span class=&nt&&&dt&/span& &span class=&na&&class=&/span&&span class=&s&&&mm-title&&/span&&span class=&nt&&&&/span&
&span class=&nt&&&a&/span& &span class=&na&&class=&/span&&span class=&s&&&mm-name&&/span& &span class=&na&&target=&/span&&span class=&s&&&_blank&&/span& &span class=&na&&href=&/span&&span class=&s&&&/self/aiShow.htm?userId=&&/span& &span class=&na&&style=&/span&&span class=&s&&&width: 70&&/span&&span class=&nt&&&&/span&高小小&span class=&nt&&&/a&&/span&
&span class=&nt&&&i&/span& &span class=&na&&class=&/span&&span class=&s&&&J_mmtype1&&/span&&span class=&nt&&&&/i&&/span&
&span class=&nt&&&i&/span& &span class=&na&&class=&/span&&span class=&s&&&J_mmtype2&&/span&&span class=&nt&&&&/i&&/span&
&span class=&nt&&&i&/span& &span class=&na&&class=&/span&&span class=&s&&&J_mmtype&&/span&&span class=&nt&&&&/i&&/span&
&span class=&nt&&&/dt&&/span&
&span class=&nt&&&dd&/span& &span class=&na&&class=&/span&&span class=&s&&&mm-info&&/span&&span class=&nt&&&&/span&广州市/172CM/48KG&span class=&nt&&&/dd&&/span&
&span class=&nt&&&dd&/span& &span class=&na&&class=&/span&&span class=&s&&&mm-praise&&/span&&span class=&nt&&&&/span&被赞17252&span class=&nt&&&/dd&&/span&
&span class=&nt&&&/dl&&/span&
&/code&&/pre&&/div&&br&想要抓取信息：&a href=&///?target=http%3A///self/aiShow.htm%3FuserId%3D& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/self/aiSh&/span&&span class=&invisible&&ow.htm?userId=&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&
高小小，&br&
广州市/172CM/48KG，&br&&br&&br&Python代码：&br&&div class=&highlight&&&pre&&code class=&language-text&&# -*- coding:utf-8 -*-
import urllib
import urllib2
url = '/search_tstar_model.htm'
request = urllib2.Request(url)
response = urllib2.urlopen(request)
page = response.read().decode('gbk')
pattern = re.compile('&li class=&tm_main_mmArea_item.*?mm-title.*?&a href=&(.*?)&.*?&(.*?)&.*?&dd class=&mm-info&&(.*?)&/dd&',re.S)
items = re.findall(pattern,page)
for item in items:
print item[0],item[1],item[2]
&/code&&/pre&&/div&&br&抓取的结果为空，请帮看看&br&&br&————————————————————&br&此外，请问下，有没有专门介绍Python爬虫和网页抓取的书和资料推荐，谢谢
最近学Python爬虫，想照着网上的教程（）写段代码抓取淘女郎的信息，如姓名、图片、主页链接等。但由于淘女郎主页改版（），自己写的正则抓取的信息不完整，请大神指点：HTML信息：&div class="tm_main_mmArea"&
&ul class="tm_main_mmArea_list"&
&li class="tm_main_mmArea_item"&
&a target="_blank" href="/self/aiShow.htm?spm=0.0.0.0.DBmcby&userId=" data-spm-anchor-id="0.0.0.0"&
&img class="J_mmImg" width="240" height="240" onerror="this.src='/apps/mytaobao/3.0/profile/defaultAvatar/avatar-160.png'" src="/sns_logo/i1/TB1y4ZxHpXXXXbKXVXXSutbFXXX.jpg_240x240xz.jpg"&
&dl class="tm_main_maitem_dl"&
&dt class="mm-title"&
&a class="mm-name" target="_blank" href="/self/aiShow.htm?userId=" style="width: 70"&高小小&/a&
&i class="J_mmtype1"&&/i&
&i class="J_mmtype2"&&/i&
&i class="J_mmtype"&&/i&
&dd class="mm-info"&广州市/172CM/48KG&/dd&
&dd class="mm-praise"&被赞17252&/dd&
用Python做网络爬虫，在没有特殊要求的大部分情况下，建议使用requests来发送请求，并使用BeautifulSoup来解析HTML。比如，对于题主所提的这个页面（），你所需要的图片就是一堆的&img&标签（下图为在Chrome的开发者工具中，建议初学者多使用，非常方便）：使用BeautifulSoup解析的话，你需要：使用BeautifulSoup解析的话，你需要：soup = BeautifulSoup(html, 'lxml')
# html为网页源码，lxml是一个高效的解析器
images = soup.find_all("img")
这样就取到了页面的所有图片，当然有些图片不是我们需要的，再加一个filter筛选需要的，或者直接在soup.find_all的时候指定需要的img tag的一些属性。然后，就可以迭代images，分别取出每一个item的src，并下载图片即可。另外，对于上一层的列表页的翻页操作，其实就是一个POST请求，具体的参数以及请求头，可以通过浏览器的开发者工具查看，然后在代码中模拟这个请求，就完成了翻页的操作。翻页实际上是返回了一个JSON字符串，映射到Python就是一个dict，所以在外面的列表页，是可以省掉解析HTML的步骤的。
你需要lxml或beautifulsoup，百度一下吧。
你需要lxml或beautifulsoup，百度一下吧。
这个数据是用ajax填充的，所以直接请求&br&&a href=&///?target=https%3A///tstar/search/tstar_model.do%3F_input_charset%3Dutf-8& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&/tstar/sea&/span&&span class=&invisible&&rch/tstar_model.do?_input_charset=utf-8&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&
这个数据是用ajax填充的，所以直接请求
已有帐号？
无法登录？
社交帐号登录
技术宅，软件工程师 ~~~