经过前面的一些基础学习,我们大致知道了如何爬取并解析一个网页中的信息,这里我们来做一个更有意思的事情,爬取MM图片并保存。网址为https://mm.taobao.com/json/request_top_list.htm。这个网址有很多页,通过在网址后添加?page=页码来进入指定的页。
为了爬取模特的图片,我们首先要找到各个模特自己的页面。通过查看网页源码,我们可以发现,模特各自的页面的特点如下:
我们可以通过查找class属性为lady-name的标签,然后取其href属性来获取各个模特各自的页面地址。
1 html = urlopen(url) 2 bs = BeautifulSoup(html.read().decode(‘gbk‘),"html.parser") 3 girls = bs.findAll("a",{"class":"lady-name"}) 4 for item in girls: 5 linkurl = item.get(‘href‘)
继续分析模特各自的页面的特点,模特页面打开后的页面布局如下:
在这个页面中我们要提取的是模特的个性域名,这个域名打开后,里面就有模特的图片了。那么我们的关键问题就是如何提取这个域名。按我们之前的学习,我们会去查找这个标签,但是我们打开网页源码会发现网页源码里面并没有包含这个信息。这是因为这一部分的信息是用JS动态生成的。那么这种情况下我们怎么办呢?
答案是使用selenium和PhantomJS,相关的概念可以自行百度。简而言之,PhantomJS是一个无界面的浏览器,而selenium是一个测试浏览器的工具,结合这2者,我们就可以解析动态的页面了。
获取模特的个性域名的代码如下:
1 def getUrls(url): 2 driver= webdriver.PhantomJS() 3 html = urlopen(url) 4 bs = BeautifulSoup(html.read().decode(‘gbk‘),"html.parser") 5 girls = bs.findAll("a",{"class":"lady-name"}) 6 namewithurl = {} 7 for item in girls: 8 linkurl = item.get(‘href‘) 9 driver.get("https:"+linkurl) 10 bs1 = BeautifulSoup(driver.page_source,"html.parser") 11 links = bs1.find("div",{"class":"mm-p-info mm-p-domain-info"}) 12 if links is not None: 13 links = links.li.span.get_text() 14 namewithurl[item.get_text()] = links 15 print(links) 16 return namewithurl
在这里,我们使用PhantomJs去加载动态的页面,然后用BeautifulSoup去规则化加载后的页面,接下来的工作就与普通的网页相同了。
接下来分析模特的个人主页的特点,直观上是这样的页面:
分析源码后我们会发现,模特的图片地址可以这样获取:
1 html = urlopen(personurl) 2 bs = BeautifulSoup(html.read().decode(‘gbk‘),"html.parser") 3 contents = bs.find("div",{"class":"mm-aixiu-content"}) 4 imgs = contents.findAll("img",{"src":re.compile(r‘//img\.alicdn\.com/.*\.jpg‘)})
如此我们就能获取模特的个人域名地址中的图片了,接下来的问题就是如何保存图片了。
我们可以用urllib中的urlretrieve函数来完成保存的工作。
用法为urlretrieve(imgurl, savepath)
再加入多线程等代码,完整的爬虫代码为:
1 #coding = utf-8 2 from urllib.request import urlopen 3 from urllib.request import urlretrieve 4 from urllib.error import HTTPError 5 from selenium import webdriver 6 from selenium.webdriver.common.by import By 7 from bs4 import BeautifulSoup 8 from multiprocessing.dummy import Pool as ThreadPool 9 import sys,os 10 import re 11 12 savepath=r".\save" 13 14 def mkdir(path): 15 if os.path.exists(path): 16 return 17 os.mkdir(path) 18 19 def getUrls(url): 20 driver= webdriver.PhantomJS() 21 html = urlopen(url) 22 bs = BeautifulSoup(html.read().decode(‘gbk‘),"html.parser") 23 girls = bs.findAll("a",{"class":"lady-name"}) 24 namewithurl = {} 25 for item in girls: 26 linkurl = item.get(‘href‘) 27 driver.get("https:"+linkurl) 28 bs1 = BeautifulSoup(driver.page_source,"html.parser") 29 links = bs1.find("div",{"class":"mm-p-info mm-p-domain-info"}) 30 if links is not None: 31 links = links.li.span.get_text() 32 namewithurl[item.get_text()] = links 33 print(links) 34 return namewithurl 35 36 def getImgs(parms): 37 personname = parms[0] 38 personurl = "https:"+parms[1] 39 html = urlopen(personurl) 40 bs = BeautifulSoup(html.read().decode(‘gbk‘),"html.parser") 41 contents = bs.find("div",{"class":"mm-aixiu-content"}) 42 imgs = contents.findAll("img",{"src":re.compile(r‘//img\.alicdn\.com/.*\.jpg‘)}) 43 savefilename = os.path.join(savepath,personname) 44 mkdir(savefilename) 45 print("img num :",len(imgs)) 46 cnt = 0 47 for img in imgs: 48 try: 49 urlretrieve(url = "https:"+img.get("src"),filename =os.path.join(savefilename,str(cnt)+".jpg")) 50 cnt+=1 51 except HTTPError as e: 52 continue 53 54 if __name__ == "__main__": 55 mkdir(savepath) 56 pagenum = 10 57 for i in range(1,pagenum): 58 urls = getUrls("https://mm.taobao.com/json/request_top_list.htm"+"?page="+str(i)) 59 pool = ThreadPool(4) 60 pool.map(getImgs,urls.items()) 61 pool.close() 62 pool.join() 63 # for (k,v) in urls.items(): 64 # getImgs((k,v))
代码下载地址:
https://github.com/HaoLiuHust/Spider
运行结果如下: