python网络爬虫学习(六)利用Pyspider+Phantomjs爬取淘宝模特图片

本篇博文在编写时参考了http://cuiqingcai.com/2652.html，向作者表示感谢

一.新的问题与工具

平时在淘宝上剁手的时候，总是会看到各种各样的模特。由于自己就读于一所男女比例三比一的工科院校……写代码之余看看美女也是极好的放松方式。但一张一张点右键–另存为又显得太过麻烦而且不切实际，毕竟图片太多了。于是，我开始考虑用万能的python来解决问题。

我们先看看淘女郎页面的URL，https://mm.taobao.com/json/request_top_list.htm?page=1

page后面的数字代表页码，那么有多少页呢？反正我试着写了个10000发现依然有页面存在。由此可见，右键另存为极不现实。

要用爬虫去爬，就得先分析页面，我们打开第一个淘女郎的页面，如图

看起来好像和我们之前爬过的站没什么不同嘛，直接上urllib和urllib2不就好了？不过，当我打开页面源码时，发现并非如此，源码如图

这个页面的很多内容并没有出现在源码中，很明显，使用js加载出来的。那么，我们常用的urllib2库也就起不了什么作用了，因为这个库只能获取到HTML中的内容。于是，在经过查找资料后， 我找到了另外两个好用的工具:Pyspider和Phantomjs

Pyspider是一个爬虫框架，具有webUI,CSS选择器等实用的功能，支持多线程爬取、JS动态解析，提供了可操作界面、出错重试、定时爬取等等的功能，使用非常人性化。

PhantomJS 是一个基于 WebKit 的服务器端 JavaScript API。它全面支持web而不需浏览器支持，其快速、原生支持各种Web标准：DOM 处理、CSS 选择器、JSON、Canvas 和 SVG。 PhantomJS 可以用于页面自动化、网络监测、网页截屏以及无界面测试等。

在介绍完我们的主角之后，我会对我配置开发环境的过程中遇到的问题进行记录。

二.开发环境的配置

系统环境:Ubuntu 14.04 -i386（注意一定要使用32位的Ubuntu，因为经过我的实际测试phantomjs无法在64位系统上运行，另外，也无法再16.04版本的Ubuntu上运行，建议系统环境与我保持一致）

step 1:安装pip

sudo apt-get install python-pip

step 2:安装Phantomjs

sudo apt-get install phantomjs

step 3:安装Pyspider

根据官方文档，在在安装pyspider之前，你需要安装以下类库

sudo apt-get install python python-dev python-distribute python-pip libcurl4-openssl-dev libxml2-dev libxslt1-dev python-lxml

安装过程完成之后，运行

sudo pyspider all

不报错即为安装成功，如果有错误，请善用google和baidu，都可以找到答案。

之后进入图形界面,打开浏览器在地址栏中输入localhost:5000即可

下面记录一个似乎是只有我遇到的问题，在使用ubuntu自带的firefox时，在之后的一步操作中会出现问题，至于问题是什么待会儿陈述，强烈建议各位使用应用商店中别的浏览器。

之后打开目标网站https://mm.taobao.com/json/request_top_list.htm?page=1

打开第一位模特的页面，如图

注意到个性域名了吗？进去看看~

原来模特的图片都在这里，这样我们大致确定了爬取思路:
1.在某一页中先爬取每位模特的详情页
2.在详情页中取出我们需要的个性域名的url
3.从个性域名中筛选出图片并保存。

三.开始爬取

(1)创建项目

在浏览器中输入 http://localhost:5000，可以看到 PySpider 的主界面，点击的 Create，命名为 taobaomm，名称你可以随意取，点击 Create。

之后进入到一个爬取操作的页面。

我们看到页面被分为两栏，左边是爬取页面预览区域，右边是代码编写区域。

左侧绿色区域：这个请求对应的 JSON 变量，在 PySpider 中，其实每个请求都有与之对应的 JSON 变量，包括回调函数，方法名，请求链接，请求数据等等。

绿色区域右上角Run：点击右上角的 run 按钮，就会执行这个请求，可以在左边的白色区域出现请求的结果。

左侧 enable css selector helper: 抓取页面之后，点击此按钮，可以方便地获取页面中某个元素的 CSS 选择器。

左侧 web: 即抓取的页面的实时预览图。

左侧 html: 抓取页面的 HTML 代码。

左侧 follows: 如果当前抓取方法中又新建了爬取请求，那么接下来的请求就会出现在 follows 里。

左侧 messages: 爬取过程中输出的一些信息。

右侧代码区域: 你可以在右侧区域书写代码，并点击右上角的 Save 按钮保存。

右侧 WebDAV Mode: 打开调试模式，左侧最大化，便于观察调试。

(2)进行简单的爬取操作

我们先对https://mm.taobao.com/json/request_top_list.htm?page=1这个页面进行爬取，我们在’init’ 方法中定义基地址，页码，最大页码。代码如下:

from pyspider.libs.base_handler import *

class Handler(BaseHandler):
    crawl_config = {
    }

    def __init__(self):
        self.base_url = ‘https://mm.taobao.com/json/request_top_list.htm?page=‘
        self.page_num = 1
        self.total_num = 30

    @every(minutes=24 * 60)
    def on_start(self):
        while self.page_num <= self.total_num:
            url = self.base_url + str(self.page_num)
            print url
            self.crawl(url, callback=self.index_page)
            self.page_num += 1

    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        for each in response.doc(‘a[href^="http"]‘).items():
            self.crawl(each.attr.href, callback=self.detail_page)

    @config(priority=2)
    def detail_page(self, response):
        return {
            "url": response.url,
            "title": response.doc(‘title‘).text(),
        }

其实只是在原先的代码中加入了一个初始化的方法，没有做其他改变，保存后运行，我们看到

我们看到控制台中给出了30个url，同时看到follow上的数字为30，这表示之后有30个请求，我们点击某一个URL右侧的绿色三角，继续爬取该页面。

我们点击左下角的web按钮，就可以预览到网页的内容，网页内容被回调给index.page方法处理，由于此时还没有编写index.page的具体方法,所以只是继续构建了链接请求。

(2)获取模特个性域名

在上一步中，我们已经看到了模特的列表，但是该如何进入详情页呢？老方法，分析页面源码

注意高亮部分，模特的详情页的URL是在一个class为”lady-name”的a标签中。那么我们就要对index.page方法加以修改如下:

def index_page(self, response):
    for each in response.doc(‘.lady-name‘).items():
        self.crawl(each.attr.href, callback=self.detail_page)

其中的response就是指刚才的模特列表页，调用doc函数其实是用CSS选择器得到每个模特的链接，然后用self.crawl方法继续发起请求。回调函数是 detail_page，爬取的结果会作为 response 变量传过去。detail_page 接到这个变量继续下面的分析。

继续点击小三角爬取下一个页面，得到的页面如下

似乎和我们在浏览器中看到的有点不一样，图片没有被加载出来。什么原因呢？因为这个页面比较特殊，它是用JS动态加载出来的，所以我们看不到任何内容。怎么办呢？我们就要使用神器Phantomjs

了。我们对index.page方法作出如下的修改:

def index_page(self, response):
    for each in response.doc(‘.lady-name‘).items():
        self.crawl(each.attr.href, callback=self.detail_page, fetch_type=‘js‘)

只需要在self.crawl方法中加上 fetch=’js’即可，这表示使用phantomjs来加载页面。

请各位注意，在文章开始时，我提到过我遇到一个难以解决的问题，当我使用firefox浏览器打开pyspider的webUI时，这一步即使我加上 fetch=’js’依然没有加载出页面，直到后来我换用了chromeium浏览器才解决这个问题，请各位注意！！我在这个问题上浪费了两天时间，希望各位不要在这个问题上耽误太多时间

现在点击向左的箭头返回到上一页，重新爬取模特的详情页，页面被成功加载，phantomjs名不虚传

看到个性域名了吗？我们离成功只差一步，下面我们解决如何从详情页中获取到模特的个性域名。

老规矩，F12打开chrome的开发者模式，搜索个性域名的URL，找到其所在的标签。

找到后，增加一个domain_page方法用来处理个性域名,并修改detail_page方法如下:

def detail_page(self, response):
    domain = ‘https:‘ + response.doc(‘.mm-p-domain-info li > span‘).text()
    print domain
    self.crawl(domain, callback=self.domain_page)

def domain_page(self, response):
    pass

mm-p-domain-info li > span指的是从域名所在的div标签到span标签的路径上的所有祖先节点。再加上”https:”就组成了个性域名的URL。之后使用self.crawl来继续对domain这个页面进行爬取。

再次点击run按钮，我们就可以看到模特的主页了

接下来该怎么办？你懂得~~~~

(3)保存照片和简介

进入了模特的个人页面，我们再次分析源码，寻找简介和照片的位置。

找到模特姓名所在的标签，那么要使用CSS选择器进行解析的话，路径应该是这样的： .mm-p-model-info-left-top dd > a

同样的方法找到简介为: .mm-aixiu-content

图片为: .mm-aixiu-content img

这样我们就定位了我们所需要的信息在页面上的位置。

之后我们完善domain_page方法如下:

def domain_page(self, response):
        name=response.doc(‘.mm-p-model-info-left-top dd > a‘).text()
        dir_path=self.deal.mkDIR(name)
        brief=response.doc(‘.mm-aixiu-content‘).text()
        if dir_path:
            imgs=response.doc(‘.mm-aixiu-content img‘).items()
            count=1
            self.deal.save_brief(brief,name,dir_path)
            for img in imgs:
                url = img.attr.src
                if url:
                    extension=self.deal.getextension(url)
                    file_name=name+str(count)+‘.‘+extension
                    #self.deal.save_Img(img.attr.src,file_name)
                    count += 1
                    self.crawl(img.attr.src, callback=self.save_img, save={‘save_path‘:dir_path,‘file_name‘:file_name})

def save_img(self,response):
        content=response.content
        dir_path=response.save[‘save_path‘]
        file_name=response.save[‘file_name‘]
        file_path=dir_path+‘/‘+file_name
        self.deal.save_Img(content,file_path)

上述代码首先用save_brief方法保存页面所有文字，之后遍历模特所有图片，用save_Img方法保存所有照片，并使用一个自增变量+模特姓名来构造文件名。

(3)保存照片至本地

下面定义文件处理类

class Deal:
    def __init__(self):
        self.dir_path=DIR_PATH
        if not self.dir_path.endswith(‘/‘):
            self.dir_path=self.dir_path+‘/‘
        if not os.path.exists(self.dir_path):
            os.makedirs(self.dir_path)

    def mkDIR(self,name):
        name=name.strip()
        #dir_name=self.dir_path+‘/‘+name
        dir_name=self.dir_path+name
        exists=os.path.exists(dir_name)
        if not exists:
            os.makedirs(dir_name)
            return dir_name
        else:
            return dir_name

    def save_Img(self,content,file_name):
        file=open(file_name,‘wb‘)#这个地方将图片以二进制流写入文件
        file.write(content)
        file.close()

    def save_brief(self,brief,name,path):
        file_name=path+‘/‘+name+‘.txt‘
        file=open(file_name,‘w+‘)
        file.write(brief.encode(‘utf-8‘))
        file.close()

    def getextension(self,url):
        extension=url.split(‘.‘)[-1]
        return extension

文件处理类主要使用os模块的一些方法，都是基础内容，没什么好说的，有不懂的地方请使用搜索引擎或者翻阅python教程。

三.大功告成

到这里，我们就完成了基本的功能，下面贴出完整代码，version 1.0.0就算基本完成。

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Created on 2016-06-15 10:48:25
# Project: taobaomm_v1
# Version:1.0.0
# Function:保存模特照片至本地，以模特姓名建立文件夹来分类存储

from pyspider.libs.base_handler import *
import os

PAGE_NUM=1#起始页码
MAX_PAGE=30#终止页码
DIR_PATH=‘/home/kelvinmao/Music/‘#定义保存位置(这三个变量都可以自己填)

class Handler(BaseHandler):
    crawl_config = {
    }
    def __init__(self):
        self.base_url=‘https://mm.taobao.com/json/request_top_list.htm?page=‘
        self.page_num=PAGE_NUM
        self.max_page=MAX_PAGE
        self.deal=Deal()

    @every(minutes=24 * 60)
    def on_start(self):
        while self.page_num<=self.max_page:
            url=self.base_url+str(self.page_num)
            print url
            self.crawl(url, callback=self.index_page)
            self.page_num+=1

    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        for each in response.doc(‘.lady-name‘).items():
            self.crawl(each.attr.href, callback=self.detail_page, fetch_type=‘js‘)

    @config(priority=2)
    def detail_page(self, response):
        domain = response.doc(‘.mm-p-domain-info li > span‘).text()
        if domain:
            domain_name = ‘https:‘ + domain
            self.crawl(domain_name, callback=self.domain_page)

    def domain_page(self, response):
        name=response.doc(‘.mm-p-model-info-left-top dd > a‘).text()
        dir_path=self.deal.mkDIR(name)
        brief=response.doc(‘.mm-aixiu-content‘).text()
        if dir_path:
            imgs=response.doc(‘.mm-aixiu-content img‘).items()
            count=1
            self.deal.save_brief(brief,name,dir_path)
            for img in imgs:
                url = img.attr.src
                if url:
                    extension=self.deal.getextension(url)
                    file_name=name+str(count)+‘.‘+extension
                    #self.deal.save_Img(img.attr.src,file_name)
                    count += 1
                    self.crawl(img.attr.src, callback=self.save_img, save={‘save_path‘:dir_path,‘file_name‘:file_name})

    def save_img(self,response):
        content=response.content
        dir_path=response.save[‘save_path‘]
        file_name=response.save[‘file_name‘]
        file_path=dir_path+‘/‘+file_name
        self.deal.save_Img(content,file_path)

class Deal:
    def __init__(self):
        self.dir_path=DIR_PATH
        if not self.dir_path.endswith(‘/‘):
            self.dir_path=self.dir_path+‘/‘
        if not os.path.exists(self.dir_path):
            os.makedirs(self.dir_path)

    def mkDIR(self,name):
        name=name.strip()
        #dir_name=self.dir_path+‘/‘+name
        dir_name=self.dir_path+name
        exists=os.path.exists(dir_name)
        if not exists:
            os.makedirs(dir_name)
            return dir_name
        else:
            return dir_name

    def save_Img(self,content,file_name):
        file=open(file_name,‘wb‘)
        file.write(content)
        file.close()

    def save_brief(self,brief,name,path):
        file_name=path+‘/‘+name+‘.txt‘
        file=open(file_name,‘w+‘)
        file.write(brief.encode(‘utf-8‘))
        file.close()

    def getextension(self,url):
        extension=url.split(‘.‘)[-1]
        return extension

粘贴这些代码到你的pyspider中，保存

点击STOP或者TODO状态，将其切换为RUNNING，点击右侧的run按钮，就可以看到海量的照片奔向你的电脑了。

四.后续

随着学习的深入，打算增添一些更有趣的功能，比如将模特的三围，居住地，身高体重或者风格等数据建立数据库，便于检索，甚至可以建立一个网站。不过一切都依赖于我的继续学习。

时间： 2024-08-01 22:46:44

python网络爬虫学习(六)利用Pyspider+Phantomjs爬取淘宝模特图片的相关文章

Python网络爬虫（6）--爬取淘宝模特图片

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

（转）Python网络爬虫实战：世纪佳缘爬取近6万条数据

又是一年双十一了,不知道从什么时候开始,双十一从“光棍节”变成了“双十一购物狂欢节”,最后一个属于单身狗的节日也成功被攻陷,成为了情侣们送礼物秀恩爱的节日. 翻着安静到死寂的聊天列表,我忽然惊醒,不行,我们不能这样下去,光羡慕别人有什么用,我们要行动起来,去找自己的幸福!!! 我也想“谈不分手的恋爱” !!!内牛满面!!! 注册登陆一气呵成~ 筛选条件,嗯...性别女,年龄...18到24岁,身高嘛,无所谓啦,就按默认155-170吧,地区...嗯北京好,北京近一点,照片?那肯定要啊,必须的!!

python 爬取淘宝模特信息

通过本篇博文,介绍一下我对指定信息进行爬取的时候的思路,顺便贴一下代码. 一.首先获取想要爬取的网站的url链接的规则变化 可以看出来该网站页面的url结构简单,变化的只是https://mm.taobao.com/json/request_top_list.htm?page= page的值 二.对网站页面的DOM树的结构进行分析,方便我们获取我们想要的内容信息, 我写了个简单的网页分析脚本analyze.py:用来输出DOM树,方便我后面做筛选. # -*- coding:utf-8 -*-

Python爬虫学习——使用selenium和phantomjs爬取js动态加载的网页

1.安装selenium pip install selenium Collecting selenium Downloading selenium-3.4.1-py2.py3-none-any.whl (931kB) 100% |████████████████████████████████| 942kB 573kB/s Installing collected packages: selenium Successfully installed selenium-3.4.1 2.安装phan

Python 爬虫实例（9）—— 搜索 爬取 淘宝

# coding:utf-8 import json import redis import time import requests session = requests.session() import logging.handlers import pickle import sys import re import datetime from bs4 import BeautifulSoup import sys reload(sys) sys.setdefaultencoding('u

python网络爬虫学习资料

第一:Python爬虫学习系列教程(来源于某博主:http://cuiqingcai.com/1052.html) Python版本:2.7 整体目录: 一.爬虫入门 1. Python爬虫入门一之综述 2. Python爬虫入门二之爬虫基础了解 3. Python爬虫入门三之Urllib库的基本使用 4. Python爬虫入门四之Urllib库的高级用法 5. Python爬虫入门五之URLError异常处理 6. Python爬虫入门六之Cookie的使用 7. Python爬虫入门七之正则

python网络爬虫学习笔记

python网络爬虫学习笔记 By 钟桓 9月 4 2014 更新日期:9月 4 2014 文章目录 1. 介绍: 2. 从简单语句中开始: 3. 传送数据给服务器 4. HTTP头-描述数据的数据 5. 异常 5.0.1. URLError 5.0.2. HTTPError 5.0.3. 处理异常 5.0.4. info和geturl 6. Opener和Handler 7. Basic Authentication 8. 代理 9. Timeout 设置 10. Cookie 11. Deb

利用Python爬虫爬取淘宝商品做数据挖掘分析实战篇，超详细教程

项目内容 本案例选择>> 商品类目:沙发: 数量:共100页  4400个商品: 筛选条件:天猫.销量从高到低.价格500元以上. 项目目的 1. 对商品标题进行文本分析 词云可视化 2. 不同关键词word对应的sales的统计分析 3. 商品的价格分布情况分析 4. 商品的销量分布情况分析 5. 不同价格区间的商品的平均销量分布 6. 商品价格对销量的影响分析 7. 商品价格对销售额的影响分析 8. 不同省份或城市的商品数量分布 9.不同省份的商品平均销量分布 注:本项目仅以以上几项分析为

爬虫学习 09.移动端数据爬取

爬虫学习 09.移动端数据爬取 前言 随着移动市场的火热,各大平台都陆陆续续的推出了自己的移动端APP来拉拢吸引和便捷其广大的用户.那么在移动端的平台当时势必会出现大量有价值的信息和数据,那这些数据我们是否可以去享用一下呢?那么接下来就进入我们的移动端APP数据的爬虫中来吧. 今日概要 fiddler简介 手机APP抓包设置 fiddler设置 安装证书下载 安全证书安装 局域网设置 fiddler手机抓包测试 今日详情 1 什么是Fiddler? Fiddler是位于客户端和服务器端的HTTP