python 最简单的爬虫

一个简单的爬虫工程

环境：

OS：Window10

python：3.7

安装一些库文件

pip install requests
pip install beautifulsoup4
pip install lxml

在安装的时候如果遇到了你的pip版本过低的错误的话，可以找到你本地的C:\Users\XXX\PycharmProjects\getHtml\venv\Lib\site-packages下面的pip-18.1.dist-info文件夹删除，之后在进行更新

下面是提取一个网页的图片代码

import time

import requests
import os
import threading

from bs4 import BeautifulSoup

class BeautifulPicture():

    def __init__(self):
        self.headers = {‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36‘}
        self.web_url = "https://unsplash.com/"
        self.folder_path = r‘C:\Users\peiqiang\Desktop\python Pic‘

    def request(self, url):
        r = requests.get(url)
        return r

    def mkdir(self, path):
        path = path.strip()
        isExists = os.path.exists(path)
        if not isExists:
            print("创建名字叫做", path, "的文件夹")
            os.makedirs(path)
            print("创建成功！")
        else:
            print(path, ‘文件夹已经存在了，不再创建‘)

    def save_img(self, url, name):
        print(‘开始保存图片...‘)
        img = self.request(url)
        file_name = self.folder_path + ‘\{}.jpg‘.format(name)
        print(‘开始保存文件‘)
        f = open(file_name, ‘ab‘)
        f.write(img.content)
        f.close()
        thread_lock.release()
        print(file_name, ‘文件保存成功！‘)

    def get_pic(self):
        print(‘开始网页get请求‘)
        r = self.request(self.web_url)
        print(‘开始获取所有img标签‘)
        all_a = BeautifulSoup(r.text, ‘lxml‘).find_all(‘img‘)
        print(‘开始创建文件夹‘)
        self.mkdir(self.folder_path)
        print(‘开始切换文件夹‘)
        os.chdir(self.folder_path)
        i=0
        for a in all_a:
            i += 1
            print("開始下載第{}張圖片".format(i))
            thread_lock.acquire()
            print("抓取圖片的URL：", a["src"])
            self.save_img(a["src"], i)

thread_lock = threading.BoundedSemaphore(value=10)
beauty = BeautifulPicture()
beauty.get_pic()

　　效果如下

本地的存放的路径下

原文地址：https://www.cnblogs.com/killclock048/p/10109199.html