随笔仅用于学习交流,转载时请注明出处,http://www.cnblogs.com/CaDevil/p/5958770.html
该随笔是记录我的第一个python程序,一个爬去指定图片站点的所有图集,现在还是一个非常简陋的单线程程序。下一步是改写成多线程,虽然python多线程被诋毁得一塌糊涂。同时加上异常处理。
近来练习python程序,仿照别人的爬虫写一个自己的爬虫来练练手。在编写的过程中遇到各种问题,中文编码、请求不到html等问题。撰写该随笔的目的是将所遇到的问题记录下来,并提供相应的解决方法。当然这些解决方法是参照其他人提供的,东抄抄西抄抄,^_^。
先大致描述下代码过程中遇到的问题: 随笔仅用于学习交流,转载时请注明出处,http://www.cnblogs.com/CaDevil/p/5958770.html
- html中文解码
虽然beautifulsoup默认的编码方式是utf-8,而且国内部分站点的编码方式是utf-8。还是需要手工设置一下中文的编码方式。
在BeautifulSoup中手工设置编码方式如下所示
encoding = "gb18030" soup = BeautifulSoup(html,from_encoding=encoding)
- list的append和extend使用 随笔仅用于学习交流,转载时请注明出处,http://www.cnblogs.com/CaDevil/p/5958770.html
查询相关资料,list中的append是向list插入一个值,extend则是将一个list插入另一个list中;
若要将list1并入list2中,则使用list2.extend(list1);
若向list中插入值的话,使用list.append(vale)
- beautifulsoup返回的值,可以直接查找符合条件的节点
beautifulsoup返回的值是一颗语法树,结果与html dom结构差不多[这个地方有些保留,我目前不是太了解dom结构],通过find和find_all去查找相应的标签。前者返回一个标签的对象,后者返回list,该list的值是多个对象。
- 将urllib.urlretrieve()尽量伪装成一个用户。
使用 urlretrieve之前,将发送的http请求做些简单的伪装,尽量伪装成为一个用户,避免站点不响应下载请求。若不设置的话,通过wireshark,可以查看到下载请求的user-agent的值与python有关,服务器可能会将下载请求给忽略掉。同时还可以添加上referer,有些站点通过referer来判断盗链。若不设置的话,下载的图片全是防盗链提示图片。 随笔仅用于学习交流,转载时请注明出处,http://www.cnblogs.com/CaDevil/p/5958770.html
#伪装一下下载的http请求,否则有些站点不响应下载请求。 #不设置的话,下载请求中的user-agent为python+版本号 urllib.URLopener.version = ‘Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.153 Safari/537.36 SE 2.X MetaSr 1.0‘ #下载图片到指定目录中,保留图片在服务器上的文件名 urllib.urlretrieve(imgurl,downloadpath)
废话有些多,上代码。为了避免宣传图片站点的嫌疑,不放该站点的链接。 代码仅用于学习交流。
import urllib2 import io import random import urllib from bs4 import BeautifulSoup import re import os import sys reload(sys) sys.setdefaultencoding(‘utf8‘) def getHtml(url): #尽可能让爬虫显示为一个正常用户。若不设置,则发送的请求中,user-agent显示为Python+版本 user_agent = [ ‘Mozilla/5.0 (Windows NT 5.2) AppleWebKit/534.30 (KHTML, like Gecko) Chrome/12.0.742.122 Safari/534.30‘, ‘Mozilla/5.0 (Windows NT 5.1; rv:5.0) Gecko/20100101 Firefox/5.0‘, ‘Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.2; Trident/4.0; .NET CLR 1.1.4322; .NET CLR 2.0.50727; .NET4.0E; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729; .NET4.0C)‘, ‘Opera/9.80 (Windows NT 5.1; U; zh-cn) Presto/2.9.168 Version/11.50‘, ‘Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/533.21.1 (KHTML, like Gecko) Version/5.0.5 Safari/533.21.1‘, ‘Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; .NET CLR 2.0.50727; .NET CLR 3.0.04506.648; .NET CLR 3.5.21022; .NET4.0E; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729; .NET4.0C)‘ ] #设置网页编码格式,解码获取到的中文字符 encoding = "gb18030" #构造http请求头,设置user-agent header = {"User-Agent":random.choice(user_agent)} #构造发送请求 request = urllib2.Request(url,headers=header) #发送请求,获取服务器响应回来的html页面 html = urllib2.urlopen(request).read() #使用beautifulSoup处理的html页面,类似dom soup = BeautifulSoup(html,from_encoding=encoding) return soup # 获取整个站点所有图集的页码 def getPageNum(url): soup = getHtml(url) # 直接在站点首页获取所有图集的总页码 nums=soup.find_all(‘a‘,class_=‘page-numbers‘) # 除掉“下一页”的链接,并获取到最后一页 totlePage = int(nums[-2].text) return totlePage #获取指定页面下图集名称和链接 def getPicNameandLink(url): soup = getHtml(url) meun = [] #类似html dom对象,直接查找id为“pins”的ul标签,返回的结果是一个dom对象 targetul = soup.find("ul",id="pins") if targetul: #获取该ul下所有的超链接,返回值的类型是list,find_all中第二个参数表示某个指定标签的属性 pic_list = targetul.find_all("a",target="_blank") if pic_list: # 遍历所有指定的标签a for pic in pic_list: #获取图集的链接 link = pic["href"] picturename = "" #找到标签a中,“class”为“lazy”的img标签。 #find中,第二个参数表示某个指定标签的属性。 #在python中class是保留字,所有标签的class属性的名称为“class_” img = pic.find("img",class_=‘lazy‘) if img: # 保证中文字符能够正常转码。 picturename = unicode(str(img["alt"])) else: continue #插入图集名称和对应的url meun.append([picturename,link]) return meun return None #function获取所有的图集名称 def getallAltls(url): totalpage = getPageNum(url) #获取首页中所有的图集名称。首页的url和其他页面不同,没有page meun = getPicNameandLink(url) #循环遍历所有的图集页面,获取图集名称和链接 for pos in range(2,totalpage): currenturl = url + "/page/" + str(pos) #getPicNameandLink()返回的值是一个list。 #当一个list插入到另一个list中时,使用extend。 #若是插入一个值时,可以用append meun.extend(getPicNameandLink(currenturl)) return meun # 获取从首页到指定页面所有的图集名称和链接 def getparAltls(url,page): meun = getPicNameandLink(url) for pos in range(2,page): currenturl = url + "/page/" + str(pos) meun.extend(getPicNameandLink(currenturl)) return meun #获取单个相册内图片页码 def getSinglePicNum(url): soup = getHtml(url) #pagenavi还是一个对象(Tag),可以通过find_all找出指定标签出来 pagenavi = soup.find("div",class_="pagenavi") pagelink = pagenavi.find_all("a") num = int(pagelink[-2].text) return num #下载单个相册中的所有图片 def getSinglePic(url,path): totalPageNum = getSinglePicNum(url) #从第一页开始,下载单个图集中所有的图片 #range()第二个参数是范围值的上限,循环时不包括该值 #需要加1以保证读取到所有页面。 for i in range(1,totalPageNum + 1): currenturl = url + "/" + str(i) downloadpic(currenturl,path) #下载单个页面中的图片 def downloadpic(url,path): soup = getHtml(url) #找出指定图片所在父容器div pageimg = soup.find("div",class_="main-image") if pageimg: #找出该div容器中的img,该容器中只有一个img img = pageimg.find("img") #获取图片的url imgurl = img["src"] #获取图片的文件名 restring = r‘[A-Za-z0-9]+\.jpg‘ reimgname = re.findall(restring,imgurl) #将图片保存在指定目录下 path = str(path) if path.strip() == "": downloadpath = reimgname[0] else: downloadpath = path + "/" + reimgname[0] #伪装一下下载的http请求,否则有些站点不响应下载请求。 #不设置的话,下载请求中的user-agent为python+版本号 urllib.URLopener.version = ‘Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.153 Safari/537.36 SE 2.X MetaSr 1.0‘ #下载图片到指定目录中,保留图片在服务器上的文件名 urllib.urlretrieve(imgurl,downloadpath) def downimgofsite(url,path = ""): path = str(path) #获取所有图集的名称和链接 meun_list = getallAltls(url) directorypath = "" for meun in meun_list: directoryname = meun[0] if path.strip() != "": directorypath = path + "/" + directoryname else: directorypath = os.getcwd + "/" + directoryname if not os.path.exists(directorypath): os.makedirs(directorypath) getSinglePic(meun[1], directorypath) if __name__ == "__main__": # page = 8 url = "XXXXX" menu = getallAltls(url) #menu = getparAltls(url, page) f = open("tsts.txt","a") for i in menu: f.write(str(unicode(i[0]))+"\t"+str(i[1])+"\n") f.close()