来源:蜘蛛抓取(WebSpider)
时间:2017-12-23 01:43
标签:
后使用快捷导航没有帐号?
查看: 1834|回复: 16
BeautifulSoup爬取豆瓣影人图片
高级会员, 积分 982, 距离下一级还需 18 积分
论坛徽章:11
本帖最后由 songwill 于
16:42 编辑
Python2.7以豆瓣高圆圆图片为例
#coding=utf-8
import urllib
import urllib2
import re
from bs4 import BeautifulSoup
y=1
#设置下载页数,进行循环,当前为3页
for y in range(1,4):
& & page=(y-1)*40
& & url=&/celebrity/1018980/photos/?type=C&start=%s&sortby=vote&size=a&subtype=a& %page
& & content=urllib.urlopen(url).read()
& & soup=BeautifulSoup(content)
& & img_all=soup.find_all(&img&,pile('./view/photo'))
& & #下载链接头中有img3,img5,故正则时不写进去
& & print &正下载第%s页& %y
& & x=40*y
& & for img in img_all:
& && &&&img_str=img[&src&]
& && &&&img_b=img_str.replace(&thumb&,&photo&)
& && &&&img_name=&%s-%s.jpg& %(y,x)
& && &&&path=&D:\\Python_data\\gyy\\&+img_name& & #保存图片路径
& && &&&urllib.urlretrieve(img_b,path)
& && &&&x += 1
& & y += 1
print &已下载%s张图片& %x*y
复制代码
GYY.png (781.2 KB)
16:37 上传
金牌会员, 积分 1410, 距离下一级还需 1590 积分
论坛徽章:8
哇 好厉害啊!
高级会员, 积分 508, 距离下一级还需 492 积分
论坛徽章:10
中级会员, 积分 489, 距离下一级还需 11 积分
论坛徽章:9
金牌会员, 积分 1884, 距离下一级还需 1116 积分
论坛徽章:36
金牌会员, 积分 1482, 距离下一级还需 1518 积分
论坛徽章:30
高级会员, 积分 558, 距离下一级还需 442 积分
论坛徽章:17
真的好厉害
中级会员, 积分 377, 距离下一级还需 123 积分
论坛徽章:1
可以抓taobao美女图。
论坛徽章:43
marked,thanks!
中级会员, 积分 489, 距离下一级还需 11 积分
论坛徽章:9
扫一扫加入本版微信群import urllib.request
import bs4
url="/p/?fr=ala0&pstaala=1&tpl=5&isgod=0"
html=urllib.request.urlopen(url)
bsobj=bs4.BeautifulSoup(html)
#将整个网页的标签提取出来
namelist=bsobj.findAll('img',{'class':'BDE_Image'})#找到img标签 并放到集合中
foder='c://hand'
建立一个文件夹
os.mkdir(foder)
os.chdir(foder)
for name in namelist:
addr=name.attrs['src'] #迭代每一条标签src属性
filename=addr.split('/')[-1]
urllib.request.urlretrieve(addr,filename,None)另一种迭代并保存网页图片的方式
for name in namelist:#
addr=name.attrs['src'] #迭代每一条标签src属性
filename=addr.split('/')[-1]#
with open(filename,'wb') as f:#
response = urllib.request.urlopen(addr)
img = response.read()#
f.write(img)
阅读(...) 评论()> python网络爬虫之---体验篇BeautifulSoupPython抓取网页方法,任务是批量下
python网络爬虫之---体验篇BeautifulSoupPython抓取网页方法,任务是批量下
hgw2002 & &
发布时间: & &
浏览:13 & &
回复:0 & &
悬赏:0.0希赛币
python网络爬虫之---体验篇BeautifulSoup
Python抓取网页方法,任务是批量下载网站上的文件。对于一个刚刚入门python的人来说,在很多细节上都有需要注意的地方,以下就分享一下我在初学python过程中遇到的问题及解决方法。
1、用Python抓取网页
[python] view plaincopyprint
import urllib2,urllib
url = ''
req = urllib2.Request(url)
content = urllib2.urlopen(req).read()
1)、url为网址,需要加'http://'
2)、content为网页的html源码
问题:
1、网站禁止爬虫,不能抓取或者抓取一定数量后封ip
解决:伪装成浏览器进行抓取,加入headers:
[python] view plaincopyprint
import urllib2,urllib
headers = { #伪装为浏览器抓取
'User-Agent':'Mozilla/5.0 (W U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/ Firefox/3.5.6'
req = urllib2.Request(url,headers=headers)
content = urllib2.urlopen(req).read()
更复杂的情况(需要登录,多线程抓取)可参考:
2、抓取网页中的中文为乱码问题
解决:用BeautifulSoup解析网页(BeautifulSoup是Python的一个用于解析网页的插件,其安装及使用方法下文会单独讨论)
首先需要介绍一下网页中的中文编码方式,一般网页的编码会在标签中标出,目前有三种,分别是GB2312,GBK,GB18030,三种编码是兼容的,
从包含的中文字符个数比较:GB2312 & GBK & GB18030,因此如果网页标称的编码为GB2312,但是实际上用到了GBK或者GB18030的中文字符,那么编码工具就会解析错误,导致编码退回到最基本的windows-2152了。所以解决此类问题分两种情况。
1)、若网页的实际的中文编码和其标出的相符的话,即没有字符超出所标称的编码,下面即可解决
[python] view plaincopyprint
import urllib,urllib2,bs4
req = urllib2.Request(url)
content = urllib2.urlopen(req).read()
content = bs4.BeautifulSoup(content)
return content
2)、若网页中的中文字符超出所标称的编码时,需要在BeautifulSoup中传递参数from_encoding,设置为最大的编码字符集GB18030即可
[python] view plaincopyprint
import urllib,urllib2,bs4
req = urllib2.Request(url)
content = urllib2.urlopen(req).read()
content = bs4.BeautifulSoup(content,from_encoding='GB18030')
return content
详细的中文乱码问题分析参见:
2、用Python下载文件
使用Python下载文件的方法有很多,在此只介绍最简单的一种
[python] view plaincopyprint
import urllib
urllib.urlretrieve(url, filepath)
url为下载链接,filepath即为存放的文件路径 文件名
更多Python下载文件方法参见:
3、使用正则表达式分析网页
将网页源码抓取下来后,就需要分析网页,过滤出要用到的字段信息,通常的方法是用正则表达式分析网页,一个例子如下:
[python] view plaincopyprint
import re
content = ''
match = re.compile(r'( &=href=["]).* ( =["])')
rawlv2 = re.findall(match,content)
用re.compile()编写匹配模板,用findall查找,查找content中所有与模式match相匹配的结果,返回一个列表,上式的正则表达式意思为匹配以‘起始,以'"'结束的字段,使用非贪婪的规则,只取中间的部分
关于正则表达式,系统的学习请参见:
或 正则表达式操作指南
个人推荐第一篇,条理清晰,不重不漏
在此就不赘述正则表达式的学习,只总结一下我在实际写正则时的认为需要注意的几个问题:
1)、一定要使用非贪婪模式进行匹配,即* ,
(后加 ),因为Python默认使用贪婪模式进行匹配,例如'a.*b',它会匹配文档中从第一个a和最后一个b之间的文本,也就是说如果遇到一个b,它不会停止,会一直搜索至文档末尾,直到它确认找到的b是最后一个。而一般我们只想取某个字段的值,贪婪模式既不能返回正确的结果,还大大浪费了时间,所以非贪婪是必不可少的
2)、raw字符串的使用:如果要匹配一个.,*这种元字符,就需要加'\'进行转义,即要表示一个'\',正则表达式需要多加一个转义,写成'\\',但是Python字符串又需要对其转义,最终变成re.compile('\\\\'),这样就不易理解且很乱,使用raw字符串让正则表达式变得易读,即写成re.compile(r'\\'),另一个方法就是将字符放到字符集中,即[\],效果相同
3)、()特殊构造的使用:一般来说,()中的匹配模式作为分组并可以通过标号访问,但是有一些特殊构造为例外,它们适用的情况是:我想要匹配这个模式,但是我只需要xxxx的内容,而不需要前后匹配的模式,这时就可以用特殊构造( &=),和( =)来匹配前后文,匹配后不返回()中的内容,刚才的例子便用到了这两个构造。
4)、逻辑符的使用:如果想匹配多个模式,使用'|'来实现,比如
re.compile(r'.htm|.mid$')
匹配的就是以.htm或.mid结尾的模式,注意没有'&'逻辑运算符
3、使用BeautifulSoup分析网页
BeautifulSoup是Python的一个插件,用于解析HTML和XML,是替代正则表达式的利器,下文讲解BS4的安装过程和使用方法
1、安装BS4
下载地址:
下载 beautifulsoup4-4.1.3.tar.gz,解压:linux下 tar xvf beautifulsoup4-4.1.3.tar.gz,win7下直接解压即可
linux:
进入目录执行:
1, python setup.py build
2, python setup.py install
或者easy_install BeautifulSoup
cmd到控制台 -& 到安装目录 -& 执行上面两个语句即可
2、使用BeautifulSoup解析网页
本文只介绍一些常用功能,详细教程参见BeautifulSoup中文文档:
1)、包含包:import bs4
2)、读入:
[python] view plaincopyprint
req = urllib2.Request(url)
content = urllib2.urlopen(req).read()
content = bs4.BeautifulSoup(content,from_encoding='GB18030')
3)、查找内容
a、按html标签名查找:
frameurl = content.findAll('frame')
framurl为存储所有frame标签内容的列表,例如frame[0] 为 tops.htm"&
b、按标签属性查找
frameurl = content.findAll(target=True)
查找所有含target属性的标签
frameurl = content.findAll(target=‘m_rbottom’)
查找所有含target属性且值为'm_rbottom'的标签
c、带有正则表达式的查找
rawlv2 = content.findAll(pile(r'.htm$'))
查找所有含href属性且值为以'.htm'结尾的标签
d、综合查找
frameurl = content.findAll('frame',target=‘rtop’)
查找所有frame标签,且target属性值为'rtop'
4)、访问标签属性值和内容
a、访问标签属性值
[python] view plaincopyprint
rawlv2 = content.findAll(pile(r'.htm$'))
href = rawlv2[i]['href']
通过[属性名]即可访问属性值,如上式返回的便是href属性的值
b)、访问标签内容
[python] view plaincopyprint
rawlv3 = content.findAll(pile(r'.mid$'))
songname = str(rawlv3[i].text)
上式访问了(内容)标签的实际内容,由于text为unicode类型,所以需要用str()做转换
附上最终的成果,程序功能是抓取上的所有midi文件并下载,需要先建立./midi/dugukeji/文件夹和./midi/linklist文件
[python] view plaincopyprint
"font-size:14"&#-*- coding:utf-8 -*- #允许文档中有中文
import urllib2,urllib,cookielib,threading
import os
import re
import bs4
import sys
reload(sys)
sys.setdefaultencoding('utf-8') #允许打印unicode字符
indexurl = ''
databasepath = './midi/linklist'
path = './midi/dugukeji/'
totalresult = {}
oriresult = {}
def crawl(url):
headers = { #伪装为浏览器抓取
'User-Agent':'Mozilla/5.0 (W U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/ Firefox/3.5.6'
req = urllib2.Request(url,headers=headers)
content = urllib2.urlopen(req).read()
content = bs4.BeautifulSoup(content,from_encoding='GB18030')
return content
def crawlframe(sourceurl,target):
global indexurl
content = crawl(sourceurl)
#match = re.compile(r'( &=target=["]' target '["] src=["]).* ( =["])') #正则表达式方法
#frameurl = re.findall(match,content)
frameurl = content.findAll('frame',target=target) #beautifulsoup方法
result = indexurl frameurl[0]['src']
return result
def crawllv1(frameurl,st=-1,en=-1):
global indexurl
content = crawl(frameurl)
#match = re.compile(r'( &=href=["]).* ( =["])')
#rawlv2 = re.findall(match,content)
rawlv2 = content.findAll(pile(r'.htm$'))
result = []
if st==-1 and en==-1:
for i in range(len(rawlv2)):
result.append(indexurl rawlv2[i]['href'])
else:
for i in range(st,en):
result.append(indexurl rawlv2[i]['href'])
#dele = []
#for i in range(len(result)):
# if result[i][-4:]!='.htm' and result[i][-5:]!='.html':
# dele.append(i)
# else:
# result[i]=indexurl result[i]
# if len(dele)&0:
# for deli in dele:
# del result[deli]
#result.sort()
return result
def crawllv2(lv2url):
global indexurl
content = crawl(lv2url)
#match = re.compile(r'( &=href=["]\.\.\/).* ["&].* ( =[&])')
#rawlv3 = re.findall(match,content)
rawlv3 = content.findAll(pile(r'[..].* [0-9].htm|.mid$'))
#print rawlv3
result = {} #结果字典,key:链接,value:歌曲名
for i in range(len(rawlv3)):
tmp = str(rawlv3[i]['href'])
#print tmp
link = indexurl tmp[tmp.rfind('..') 3:] #有多个'..',找到最后一个
songname = ''
if tmp[-4:]=='.htm': #需要访问3级页
try:
conlv3 = crawl(link)
except:
print 'WARNING: visit lv3 url failed!\n'
else:
rawlv4 = conlv3.findAll(pile(r'.mid$'))
if not rawlv4: #4级页没有.mid下载链接,略过
continue
else:
tmp = str(rawlv4[0]['href'])
link = indexurl tmp[tmp.rfind('..') 3:]
songname = str(rawlv3[i].text) #将unicode类型的text转化为string
#songname.decode('GBK')
#songname.encode('utf-8')
songname = songname.replace(' ','_') #将songname中空格和换行转化为下划线
songname = songname.replace('\n','_') #原来存在的链接,直接略过
if oriresult.has_key(link):
continue
if totalresult.has_key(link) and len(songname)#如果链接已保存且歌曲名长度比当前的长,略过
continue
else:
totalresult[link] = songname
result[link] = songname #加入字典
#result.sort()
return result
def download(totalresult):
for link in totalresult.keys():
filepath = path totalresult[link] '.mid'
print 'download: ',link,' -& ',filepath,'\n'
urllib.urlretrieve(link, filepath)
def readdata(databasepath):
datafile = open(databasepath,'r') #读数据文件
link = datafile.readline()
while link:
oriresult[link]=''
link = datafile.readline()
datafile.close()
def writedata(databasepath):
datafile = open(databasepath,'a') #追加打开数据文件,将新链接写入文件尾
for link in totalresult.keys():
datafile.write(link,'\n')
datafile.close()
if __name__ == '__main__':
try:
readdata(databasepath) #访问文件,记录已下载的链接
except:
print 'WARNING:read database file failed!\n'
else:
print 'There is ',len(oriresult),' links in database.\n'
try:
frameurl1 = crawlframe(indexurl,'rtop') #抓取主页中一级页url所在frame的url
except:
print 'WARNING: crawl lv1 frameurl failed!\n'
try:
urllv1 = crawllv1(frameurl1,4,20) #抓取一级页url
except:
print 'WARNING: crawl lv1 url failed!\n'
for i in urllv1:
print 'lv1 url:',i
try:
frameurl2 = crawlframe(i,'rbottom') #抓取一级页中二级页url所在frame的url
except:
print 'WARNING: crawl lv2 frameurl failed!\n'
else:
print '\tlv2 frameurl:',frameurl2
try:
urllv2 = crawllv1(frameurl2) #抓取二级页url
except:
print 'WARNING: crawl lv2 url failed!\n'
else:
for j in urllv2:
print '\t\tlv2 url:',j
try:
urllv3 = crawllv2(j)
except:
print 'WARNING: crawl lv3 url failed!\n'
else:
for k in urllv3.keys():
print '\t\t\tlv3 url:',k,'\tname:',urllv3[k]
#download(urllv3)
print 'new added midi num:',len(totalresult)
print '\nbegin to download...\n'
download(totalresult)
print '\nWrite database...\n'
writedata(databasepath)
print '\n\nDone!\n'
req = urllib2.Request(url)
response = urllib2.urlopen(req).read()
response = unicode(response,'GBK').encode('UTF-8')
print response
本问题标题:
本问题地址:
温馨提示:本问题已经关闭,不能解答。
暂无合适的专家
&&&&&&&&&&&&&&&
希赛网 版权所有 & &&