完整的爬蟲程序爬取百度貼吧的圖片
阿新 • • 發佈:2018-10-07
列表 文檔 for tieba http ... 自增 num 圖片 #!/usr/bin/env python
#-- coding:utf-8 --
#-- coding:utf-8 --
import os
import urllib
import urllib2
from lxml import etree
class Spider:
def init(self):
self.tiebaName = raw_input("請需要訪問的貼吧:")
self.beginPage = int(raw_input("請輸入起始頁:"))
self.endPage = int(raw_input("請輸入終止頁:"))
self.url = ‘http://tieba.baidu.com/f‘ self.ua_header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1 Trident/5.0;"} #圖片編號 self.userName = 1 def tiebaSpider(self): for page in range(self.beginPage, self.endPage + 1): pn = (page - 1) * 50 # page number word = {‘pn‘ : pn, ‘kw‘: self.tiebaName} word = urllib.urlencode(word) #轉換成url編碼格式(字符串) myUrl = self.url + "?" + word #示例:http://tieba.baidu.com/f? kw=%E7%BE%8E%E5%A5%B3 & pn=50 #調用 頁面處理函數 load_Page #並且獲取頁面所有帖子鏈接, links = self.loadPage(myUrl) # urllib2_test3.py #讀取頁面內容 def loadPage(self, url): req = urllib2.Request(url, headers = self.ua_header) html = urllib2.urlopen(req).read() #解析html 為 HTML 文檔 selector=etree.HTML(html) #抓取當前頁面的所有帖子的url的後半部分,也就是帖子編號 #http://tieba.baidu.com/p/4884069807裏的 “p/4884069807” links = selector.xpath(‘//div[@class="threadlist_lz clearfix"]/div/a/@href‘) #links 類型為 etreeElementString 列表 #遍歷列表,並且合並成一個帖子地址,調用 圖片處理函數 loadImage for link in links: link = "http://tieba.baidu.com" + link self.loadImages(link) #獲取圖片 def loadImages(self, link): req = urllib2.Request(link, headers = self.ua_header) html = urllib2.urlopen(req).read() selector = etree.HTML(html) #獲取這個帖子裏所有圖片的src路徑 imagesLinks = selector.xpath(‘//img[@class="BDE_Image"]/@src‘) #依次取出圖片路徑,下載保存 for imagesLink in imagesLinks: self.writeImages(imagesLink) #保存頁面內容 def writeImages(self, imagesLink): ‘‘‘ 將 images 裏的二進制內容存入到 userNname 文件中 ‘‘‘ print imagesLink print "正在存儲文件 %d ..." % self.userName #1. 打開文件,返回一個文件對象 file = open(‘./images/‘ + str(self.userName) + ‘.png‘, ‘wb‘) #2. 獲取圖片裏的內容 images = urllib2.urlopen(imagesLink).read() #3. 調用文件對象write() 方法,將page_html的內容寫入到文件裏 file.write(images) #4. 最後關閉文件 file.close() #計數器自增1 self.userName += 1
#模擬 main 函數
if name == "main":
# 首先創建爬蟲對象
mySpider = Spider()
# 調用爬蟲對象的方法,開始工作
mySpider.tiebaSpider()
完整的爬蟲程序爬取百度貼吧的圖片