利用python脚本(re)抓取美空mm图片

很久没有写博客了,这段时间一直在搞风控的东西,过段时间我把风控的内容整理整理发出来大家一起研究研究。

这两天抽空写了两个python爬虫脚本,一个使用re,一个使用xpath。

直接上代码——基于re:

spider.py

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

import urllib.request
import re
import tool
import os
import http.cookiejar

# 抓取MOKO_MM
class Spider:
    # 页面初始化
    def __init__(self):
        self.siteURL = ‘http://www.moko.cc/focus|list.action‘
        self.tool = tool.Tool()

    # 获取索引页面的内容
    def getPage(self, pageIndex):
        url = self.siteURL + "?type=4&curPage=" + str(pageIndex)
        request = urllib.request.Request(url)
        response = urllib.request.urlopen(request)
        return response.read().decode(‘utf-8‘)

    # 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="subMainContent".*?<a href="(.*?)".*?subFocus-07.*?<img src="(.*?)".*?subFocus-08.*?<h1>(.*?)</h1>‘,
            re.S)
        items = re.findall(pattern, page)
        # item[0]   详情页链接
        # item[1]   缩略图
        # item[2]   标题
        contents = []
        for item in items:
            contents.append([item[0], item[1], item[2].replace(" ", "-").replace("|", "-").replace(".", "-").replace(":", "-")])
        return contents

    # 获取MM个人详情页面
    def getDetailPage(self, infoURL):
        def makeMyOpener(head={
            ‘accept-encoding‘: ‘deflate, sdch‘,
            ‘Accept‘: ‘text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8‘,
            ‘Accept-Language‘: ‘zh-CN,zh;q=0.8‘,
            ‘Cookie‘: ‘JSESSIONID=58C82905AD36B5DFA8D4F1C98A2559DC; Hm_lvt_8d82e75c6168ba4bc0135a08edae2a2e=1488505496; Hm_lpvt_8d82e75c6168ba4bc0135a08edae2a2e‘,
            ‘Referer‘: ‘https://mm.taobao.com/687471686.htm‘,
            ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; WOW64; rv:51.0) Gecko/20100101 Firefox/51.0‘
        }):
            cookie = http.cookiejar.CookieJar()
            opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cookie))
            header = []
            for key, value in head.items():
                elem = (key, value)
                header.append(elem)
            opener.addheaders = header
            return opener

        oper = makeMyOpener()
        uop = oper.open(infoURL)
        data = uop.read().decode(‘utf-8‘)
        return data
        # response = urllib.request.urlopen(infoURL)
        # return response.read().decode(‘utf-8‘)

    # 获取个人文字简介
    def getBrief(self, page):
        pattern = re.compile(
            ‘<div class="infoShow-12".*?<p align="center".*?<strong>(.*?)</strong>.*?<strong>(.*?)</strong>.*?<strong>(.*?)</strong>.*?<strong>(.*?)</strong>‘,
            re.S)

        items = re.findall(pattern, page)
        # item[0]   主页地址
        # item[1]   头像
        # item[2]   姓名
        contents = []
        for item in items:
            contents.append([item[0], item[1], item[2]])
        return contents

        # result = re.search(pattern, page)
        # print(result.group())
        # return self.tool.replace(result.group(1))

    # 获取页面所有图片
    def getAllImg(self, page):
        pattern = re.compile(‘<div class="infoShow-12">(.*?)<div class="infoShow-13">‘, 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(‘.‘)
            splitPath = splitPath
            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"正在保存信息为", fileName)
        # f.write(content.decode(‘utf-8‘))
        f.write(content)

    # 保存图片地址页到各文件夹中
    def saveToLocal(self, Li, name):
        fileName = name + "/" + "urlPage.txt"
        print(u"正在保存图片地址页:", fileName)
        # f.write(content.decode(‘utf-8‘))
        # pre=pre.replace("[","")
        # pre=pre.replace("]","")+"\n"
        # print (pre)
        f = open(fileName, "w")
        f.write(Li)
        f.close()

        # 追加方式写入当前爬行的名字,后续调用
        content = name + " "
        with open(‘url.txt‘, ‘a‘) as url:
            url.write(content)
            url.close()
        print(name + u"追加完成!\n")

    # 传入图片地址,文件名,保存单张图片
    def saveImg(self, imageURL, fileName):
        try:
            u = urllib.request.urlopen(imageURL)
            data = u.read()
            f = open(fileName, ‘wb‘)
            f.write(data)
            print(u"正在保存的一张图片为", fileName)
            f.close()
        except urllib.request.URLError as e:
            print(e.reason)

    # 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"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MOKO MM的信息保存起来
    def savePageInfo(self, pageIndex):
        # 获取第一页MOKO 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
            print(u"发现一位名叫", item[2], u"的信息")
            print(u"正在保存", item[2], "的信息")

            print(u"个人详情地址是", "http://www.moko.cc" + str(item[0]))
            # 个人详情页面的URL
            detailURL = "http://www.moko.cc" + str(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
            self.mkdir(item[2])
            images = self.getAllImg(detailPage)
            spider.saveImgs(images, item[2])
            # 保存个人简介
            # self.saveBrief(brief.encode(‘utf-8‘), item[2])
            # self.saveBrief(brief, item[2])
            # 保存图片地址页到本地
            # self.saveToLocal(detailPage, item[2])
            # 保存头像
            self.saveIcon("https:" + str(item[1]), item[2])

    # 删除旧名单(如果有)
    def deleteOldTxt(self):
        filename = ‘url.txt‘
        if os.path.exists(filename):
            os.remove(filename)
            print("\n发现旧名单,已删除\n采集开始\n")

    # 传入起止页码,获取MM页面保存
    def savePagesInfo(self, start, end):
        for i in range(start, end + 1):
            print(u"正在寻找第", i, u"个地方")
            self.savePageInfo(i)
            # 保存图片
            # self.saveImgs(images,item[2])

    # 读取名字list
    def openNameList(self):
        with open("url.txt", "r") as f:
            for line in f:
                line = line.strip()
                # line.split(",")
                # result.append(line)
                # result.append(line.split(","))
            # \s匹配空格与tab,\s+表示至少一个
            result = re.split(r‘\s+‘, line)
        return result

    # 逐个调取文件夹下页面中地址来保存
    def saveAll(self):
        i = spider.openNameList()
        for name in i:
            print("当前正在保存的是" + name + "的图片")
            filepath = name + "/urlPage.txt"
            with open(filepath, "r") as urlContent:
                urlContent = urlContent.read()
            images = spider.getAllImg(urlContent)
            spider.saveImgs(images, name)

# 传入起止页码即可,在此传入了6,10,表示抓取第6到10页的MM
spider = Spider()
spider.deleteOldTxt()
spider.savePagesInfo(1, 10)

tool.py

# -*- coding:utf-8 -*-
import re

# 处理页面标签类
class Tool:
    # 去除img标签,1-7位空格,
    removeImg = re.compile(r‘<img.*?>| {1,7}| ‘)
    # 删除超链接标签
    removeAddr = re.compile(r‘<a.*?>|</a>‘)
    # 把换行的标签换为\n
    replaceLine = re.compile(r‘<tr>|<div>|</div>|</p>‘)
    # 将表格制表<td>替换为\t
    replaceTD = re.compile(r‘<td>‘)
    # 将换行符或双换行符替换为\n
    replaceBR = re.compile(r‘<br><br>|<br>‘)
    # 将其余标签剔除r
    removeExtraTag = re.compile(r‘<.*?>‘)
    # 将多行空行删除
    removeNoneLine = re.compile(r‘\n+‘)
    # 删除
    removeSpace = re.compile(r‘ ‘)

    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)
        x = re.sub(self.removeSpace, "", x)
        # strip()将前后多余内容删除
        return x.strip()
时间: 2024-11-09 02:06:39

利用python脚本(re)抓取美空mm图片的相关文章

如何利用Python网络爬虫抓取微信朋友圈的动态(上)

今天小编给大家分享一下如何利用Python网络爬虫抓取微信朋友圈的动态信息,实际上如果单独的去爬取朋友圈的话,难度会非常大,因为微信没有提供向网易云音乐这样的API接口,所以很容易找不到门.不过不要慌,小编在网上找到了第三方工具,它可以将朋友圈进行导出,之后便可以像我们正常爬虫网页一样进行抓取信息了. [出书啦]就提供了这样一种服务,支持朋友圈导出,并排版生成微信书.本文的主要参考资料来源于这篇博文:https://www.cnblogs.com/sheng-jie/p/7776495.html

如何利用Python网络爬虫抓取微信好友数量以及微信好友的男女比例

前几天给大家分享了利用Python网络爬虫抓取微信朋友圈的动态(上)和利用Python网络爬虫爬取微信朋友圈动态--附代码(下),并且对抓取到的数据进行了Python词云和wordart可视化,感兴趣的伙伴可以戳这篇文章:利用Python词云和wordart可视化工具对朋友圈数据进行可视化. 今天我们继续focus on微信,不过这次给大家带来的是利用Python网络爬虫抓取微信好友总数量和微信好友男女性别的分布情况.代码实现蛮简单的,具体的教程如下. 相信大家都知道,直接通过网页抓取微信的数据

利用Python网络爬虫抓取微信好友的所在省位和城市分布及其可视化

前几天给大家分享了如何利用Python网络爬虫抓取微信好友数量以及微信好友的男女比例,感兴趣的小伙伴可以点击链接进行查看.今天小编给大家介绍如何利用Python网络爬虫抓取微信好友的省位和城市,并且将其进行可视化,具体的教程如下. 爬取微信好友信息,不得不提及这个itchat库,简直太神奇了,通过它访问微信好友基本信息可谓如鱼得水.下面的代码是获取微信好友的省位信息: 程序运行之后,需要扫描进行授权登录,之后在Pycharm的控制台上会出现如下图的红色提示,这些红色的字体并不是我们通常遇到的Py

利用Python网络爬虫抓取微信好友的签名及其可视化展示

前几天给大家分享了如何利用Python词云和wordart可视化工具对朋友圈数据进行可视化,利用Python网络爬虫抓取微信好友数量以及微信好友的男女比例,以及利用Python网络爬虫抓取微信好友的所在省位和城市分布及其可视化,感兴趣的小伙伴可以点击进去看看详情,内容方面不是很难,即使你是小白,也可以通过代码进行实现抓取.今天,小编继续给大家分享如何利用Python网络爬虫抓取微信好友的签名及其可视化展示,具体的教程如下所示. 1.代码实现还是基于itchat库,关于这个神奇的库,在之前的文章中

【转】Python 代码批量抓取免费高清图片!

import requests from bs4 import BeautifulSoup import random import time from fake_useragent import UserAgent for page in range(1, 11): fst_url = r'https://colorhub.me/search?tag=data&page={}'.format(page) UA = UserAgent() fst_response = requests.get(

利用python脚本(xpath)抓取数据

有人会问re和xpath是什么关系?如果你了解js与jquery,那么这个就很好理解了. 上一篇:利用python脚本(re)抓取美空mm图片 # -*- coding:utf-8 -*- from lxml import etree html = """ <!DOCTYPE html> <html> <head lang="en"> <title>我的文档</title> <meta ht

python学习笔记-抓取网页图片脚本

初学者一枚,代码都是模仿网上的.亲测可用~ 运行脚本的前提是本机安装了httplib2模块 #!/usr/bin/python import os import re import string import urllib #author:reed #date:2014-05-14 def GetWebPictures(): url=raw_input('please input the website you want to download:') imgcontent=urllib.urlo

用Python进行网页抓取

引言 从网页中提取信息的需求日益剧增,其重要性也越来越明显.每隔几周,我自己就想要到网页上提取一些信息.比如上周我们考虑建立一个有关各种数据科学在线课程的欢迎程度和意见的索引.我们不仅需要找出新的课程,还要抓取对课程的评论,对它们进行总结后建立一些衡量指标.这是一个问题或产品,其功效更多地取决于网页抓取和信息提取(数据集)的技术,而非以往我们使用的数据汇总技术. 网页信息提取的方式 从网页中提取信息有一些方法.使用API可能被认为是从网站提取信息的最佳方法.几乎所有的大型网站,像Twitter.

Python爬虫实战四之抓取淘宝MM照片

福利啊福利,本次为大家带来的项目是抓取淘宝MM照片并保存起来,大家有没有很激动呢? 最新动态 更新时间:2015/8/2 最近好多读者反映代码已经不能用了,原因是淘宝索引页的MM链接改了.网站改版了,URL的索引已经和之前的不一样了,之前可以直接跳转到每个MM的个性域名,现在中间加了一个跳转页,本以为可以通过这个页面然后跳转到原来的个性域名,而经过一番折腾发现,这个跳转页中的内容是JS动态生成的,所以不能用Urllib库来直接抓取了,本篇就只提供学习思路,代码不能继续用了. 之后博主会利用其它方