爬虫下载百度贴吧图片

本次爬取的贴吧是百度的美女吧，给广大男同胞们一些激励

在爬取之前需要在浏览器先登录百度贴吧的帐号，各位也可以在代码中使用post提交或者加入cookie

爬行地址：http://tieba.baidu.com/f?kw=%E7%BE%8E%E5%A5%B3&ie=utf-8&pn=0

#-*- coding:utf-8 -*-
import urllib2
import re
import requests
from lxml import etree

这些是要导入的库，代码并没有使用正则，使用的是xpath，正则困难的童鞋可以尝试使用下

推荐各位先使用基本库来写，这样可以学习到更多

links=[]　　　　#遍历url的地址
k=1　　　　
print u‘请输入最后的页数：‘
endPage=int(raw_input())　　　　#最终的页数　　(r‘\d+(?=\s*页) 这是一个比较通用的正则抓取总页数的代码，当然最后要group

#这里是手动输入页数，避免内容太多

for j in range(0,endPage):
    url=‘http://tieba.baidu.com/f?kw=%E7%BE%8E%E5%A5%B3&ie=utf-8&pn=‘+str(j)　　　　　　#页数的url地址
    html=urllib2.urlopen(url).read()　　　　　　　　　　　　　　　　#读取首页的内容
    selector=etree.HTML(html)　　　　　　　　　　　　　　#转换为xml，用于在接下来识别
    links=selector.xpath(‘//div/a[@class="j_th_tit"]/@href‘)　　　　　　　　#抓取当前页面的所有帖子的url

#大家可以使用浏览器自带的源码查看工具，在指定目标处查看元素，这样更快捷

for i in links:
        url1="http://tieba.baidu.com"+i　　　　　　#因为爬取到的地址是相对地址，所以要加上百度的domain
        html2=urllib2.urlopen(url1).read()　　　　　　#读取当前页面的内容
        selector=etree.HTML(html2)　　　　　　　　　　#转换为xml用于识别
        link=selector.xpath(‘//img[@class="BDE_Image"]/@src‘)　　　　#抓取图片，各位也可以更换为正则，或者其他你想要的内容

#此处就是遍历下载

for each in link:
            #print each
            print u‘正在下载%d‘%k
            fp=open(‘image/‘+str(k)+‘.bmp‘,‘wb‘)　　　　　　#下载在当前目录下 image文件夹内，图片格式为bmp
            image1=urllib2.urlopen(each).read()　　　　　　　　#读取图片的内容
            fp.write(image1)　　　　　　　　　　　　　　　　　　#写入图片
            fp.close()
            k+=1　　　　#k就是文件的名字，每下载一个文件就加1

print u‘下载完成!‘

如果想要爬取其他站点的内容，大家可以参考一下