[python學習] 簡單爬取圖片站點圖庫中圖片
通過瀏覽遊訊網發現它的圖庫URL為。當中所有圖片為0_0_1到0_0_75:
http://pic.yxdown.com/list/0_0_1.html
http://pic.yxdown.com/list/0_0_75.html
同一時候通過下圖能夠發現遊訊網的1-75頁個列表，每頁中有非常多個主題。每一個主題都有對應的多張圖片。
源碼例如以下：(需在本地創建E:\\Picture3目錄和Python執行目錄創建yxdown目錄)
# coding=utf-8
# 聲明編碼方式 默認編碼方式ASCII 參考https://www.python.org/dev/peps/pep-0263/
import urllib
import time
import re
import os
'''
Python下載遊迅網圖片 BY:Eastmount
'''
'''
**************************************************
#第一步 遍歷獲取每頁相應主題的URL
#http://pic.yxdown.com/list/0_0_1.html
#http://pic.yxdown.com/list/0_0_75.html
**************************************************
'''
fileurl=open('yxdown_url.txt','w')
fileurl.write('****************獲取遊訊網圖片URL*************\n\n')
#建議num=3 while num<=3一次遍歷一個頁面全部主題,下次換成num=4 while num<=4而不是1-75
num=3
while num<=3:
temp = 'http://pic.yxdown.com/list/0_0_'+str(num)+'.html'
content = urllib.urlopen(temp).read()
open('yxdown_'+str(num)+'.html','w+').write(content)
print temp
fileurl.write('****************第'+str(num)+'頁*************\n\n')
#爬取相應主題的URL
#<div class="cbmiddle"></div>中<a target="_blank" href="/html/5533.html" >
count=1 #計算每頁1-75中詳細網頁個數
res_div = r'<div class="cbmiddle">(.*? )</div>'
m_div = re.findall(res_div,content,re.S|re.M)
for line in m_div:
#fileurl.write(line+'\n')
#獲取每頁全部主題相應的URL並輸出
if "_blank" in line: #防止獲取列表list/1_0_1.html list/2_0_1.html
#獲取主題
fileurl.write('\n\n********************************************\n')
title_pat = r'<b class="imgname">(.*?
)</b>'
title_ex = re.compile(title_pat,re.M|re.S)
title_obj = re.search(title_ex, line)
title = title_obj.group()
print unicode(title,'utf-8')
fileurl.write(title+'\n')
#獲取URL
res_href = r'<a target="_blank" href="(.*?
)"'
m_linklist = re.findall(res_href,line)
#print unicode(str(m_linklist),'utf-8')
for link in m_linklist:
fileurl.write(str(link)+'\n') #形如"/html/5533.html"
'''
**************************************************
#第二步 去到詳細圖像頁面 下載HTML頁面
#http://pic.yxdown.com/html/5533.html#p=1
#註意先本地創建yxdown 否則報錯No such file or directory
**************************************************
'''
#下載HTML網頁無原圖 故加'#p=1'錯誤
#HTTP Error 400. The request URL is invalid.
html_url = 'http://pic.yxdown.com'+str(link)
print html_url
html_content = urllib.urlopen(html_url).read() #詳細站點內容
#可凝視它 暫不下載靜態HTML
open('yxdown/yxdown_html'+str(count)+'.html','w+').write(html_content)
'''
#第三步 去到圖片界面下載圖片
#圖片的鏈接地址為http://pic.yxdown.com/html/5530.html#p=1 #p=2
#點擊"查看原圖"HTML代碼例如以下
#<a href="javascript:;" style=""onclick="return false;">查看原圖</a>
#通過JavaScript實現 並且該界面存儲全部圖片鏈接<script></script>之間
#獲取"original":"http://i-2.yxdown.com/2015/3/18/6381ccc..3158d6ad23e.jpg"
'''
html_script = r'<script>(.*?
)</script>'
m_script = re.findall(html_script,html_content,re.S|re.M)
for script in m_script:
res_original = r'"original":"(.*?
)"' #原圖
m_original = re.findall(res_original,script)
for pic_url in m_original:
print pic_url
fileurl.write(str(pic_url)+'\n')
'''
#第四步 下載圖片
#假設瀏覽器存在驗證信息如維基百科 需加入例如以下代碼
class AppURLopener(urllib.FancyURLopener):
version = "Mozilla/5.0"
urllib._urlopener = AppURLopener()
#參考 http://bbs.csdn.net/topics/380203601
#http://www.lylinux.org/python使用多線程下載圖片.html
'''
filename = os.path.basename(pic_url) #去掉文件夾路徑,返回文件名稱
#No such file or directory 須要先創建文件Picture3
urllib.urlretrieve(pic_url, 'E:\\Picture3\\'+filename)
#http://pic.yxdown.com/html/5519.html
#IOError: [Errno socket error] [Errno 10060]
#僅僅輸出一個URL 否則輸出兩個同樣的URL
break
#當前頁詳細內容個數加1
count=count+1
time.sleep(0.1)
else:
print 'no url about content'
time.sleep(1)
num=num+1
else:
print 'Download Over!!!'
當中下載http://pic.yxdown.com/list/0_0_1.html的圖片E:\\Picture目錄例如以下：
下載http://pic.yxdown.com/list/0_0_3.html的圖片E:\\Picture3目錄例如以下：
因為代碼凝視中有具體的步驟。以下僅僅是簡介過程。
1.簡單遍歷站點。獲取每頁相應主題的URL。當中每頁都有無數個主題。當中主題的格式例如以下：
<!-- 第一步 爬取的HTML代碼例如以下 -->
<div class="conbox">
<div class="cbtop">
</div>
<div class="cbmiddle">
<a target="_blank" href="/html/5533.html" class="proimg">
<img src="http://i-2.yxdown.com/2015/3/19/KDE5Mngp/a78649d0-9902-4086-a274-49f9f3015d96.jpg" alt="Miss大小姐駕到！細數《英雄聯盟》圈的電競女神" />
<strong></strong>
<p>
<span>b></b>1836人看過</span>
<em><b></b>10張</em>
</p>
<b class="imgname">Miss大小姐駕到！
細數《英雄聯盟》圈的電競女神</b>
</a>
<a target="_blank" href="/html/5533.html" class="plLink"><em>1</em>人評論</a>
</div>
<div class="cbbottom">
</div>
<a target="_blank" class="plBtn" href="/html/5533.html"></a>
</div>
它是由無數個<div class="conbox"></div>組成，當中我們僅僅須要提取<a target="_blank" href="/html/5533.html" class="proimg">中的href就可以，然後通過URL拼接實現到詳細的主題頁面。當中相應上面的布局例如以下圖所看到的：
2.去到詳細圖像頁面 下載HTML頁面。如：http://pic.yxdown.com/html/5533.html#p=1
同一時候下載本地HTML頁面能夠凝視該句代碼。此時須要點擊“查看圖片”才幹下載原圖。點擊右鍵僅僅能另存為站點html。
3.我最初打算是是分析“查看原圖”的URL來實現下載，其它站點同理是分析“下一頁”來實現的。但我發現它是通過JavaScript實現的瀏覽，即：
<a href="javascript:;" onclick="return false;" id="photoOriginal">查看原圖</a>
同一時候它把全部圖片都寫在以下代碼<script></script>中：
<script>var images = [
{ "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",
"thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",
"original":"http://i-2.yxdown.com/2015/3/18/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",
"title":"","descript":"","id":75109},
{ "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/fec26de9-8727-424a-b272-f2827669a320.jpg",
"thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/fec26de9-8727-424a-b272-f2827669a320.jpg",
"original":"http://i-2.yxdown.com/2015/3/18/fec26de9-8727-424a-b272-f2827669a320.jpg",
"title":"","descript":"","id":75110},
...
</script> 當中獲取原圖-original就可以，縮略圖-thumb，大圖-big，通過正則表達式下載URL：res_original = r‘"original":"(.*?)"‘ #原圖
m_original = re.findall(res_original,script)
4.最後一步就是下載圖片。當中我不太會使用線程，僅僅是簡單加入了time.sleep(0.1) 函數。下載圖片可能會遇到維基百科那種訪問受限。須要對應設置。核心代碼例如以下：
import os
import urllib
class AppURLopener(urllib.FancyURLopener):
version = "Mozilla/5.0"
urllib._urlopener = AppURLopener()
url = "http://i-2.yxdown.com/2015/2/25/c205972d-d858-4dcd-9c8b-8c0f876407f8.jpg"
filename = os.path.basename(url)
urllib.urlretrieve(url , filename) 同一時候我也在本地創建目錄Picture3，並txt記錄獲取的URL，例如以下圖所看到的：
最後希望文章對大家有所幫助，簡單來說文章就兩句話：怎樣分析源碼通過正則表達式提取指定URL。怎樣通過Python下載圖片。假設文章有不足之處，請海涵！
（By：Eastmount 2015-3-20 下午5點 http://blog.csdn.net/eastmount/）
[python學習] 簡單爬取圖片站點圖庫中圖片