一篇文章教会你利用Python网络爬虫获取分类图片

【一、项目背景】

博海拾贝是一支互联网从业者在线教育的团队，扎根于中国教育行业以及互联网行业的创新和眼球中，打造专业体系化的互联网人在线教育平台。精心创作许多精彩的文章，提供了很多有趣的图片。

今天来教大家如何使用Python来爬取博海拾贝的图片，分类保存，写入文档。

【二、项目目标】

创建一个文件夹，分类保存所有文章图片。下载成功，结果显示控制台。

【三、项目分析】

1、如何找到真正访问的地址，多网页请求?

滑动鼠标，观察网站，右键F12 。鼠标滚轮滑动加载新内容。如图：

点开随机网页 , 点开Request URL ，观察网址的规律。

https://bh.sb/page/1/

https://bh.sb/page/2/

https://bh.sb/page/3/

https://bh.sb/page/4/

观察到，每增加一页page/{}/自增加1，用{}代替变换的变量，再用for循环遍历这网址，实现多个网址请求。

2. 反爬处理

1）获取正常的 http请求头，并在requests请求时，设置这些常规的http请求头。

2）使用 fake_useragent ，产生随机的UserAgent进行访问。

【四、涉及的库和网站】

1、网址如下：

https://www.doutula.com/photo/list/?page={}

2、涉及的库：requests、lxml、fake_useragent、time、os

3、软件：PyCharm

【五、项目实施】

1、我们定义一个class类继承object，然后定义init方法继承self，再定义一个主函数main继承self。导入需要的库和网址，创建保存文件夹。

import requests, os
from lxml import etree
from fake_useragent import UserAgent
import time
class bnotiank(object):
    def __init__(self):
        os.mkdir("图片")  # 在创建文件夹 记住只有第一次运行加上，如果多次运行请注释掉本行。
    def main(self):
          pass
if __name__ == '__main__':
    Siper=bnotiank()
    Siper.main()

2、随机UserAgent ，构造请求头，防止反爬。

ua = UserAgent(verify_ssl=False)
    for i in range(1, 50):
        self.headers = {
            'User-Agent': ua.random
        }

3、发送请求，获取响应，页面回调，方便下次请求。

'''发送请求  获取响应'''
    def get_page(self, url):
        res = requests.get(url=url, headers=self.headers)
        html = res.content.decode("utf-8")
        return html

4、定义parse_page函数，获取二级页面地址，for遍历获取需要的字段。

 def parse_page(self, html):
        parse_html = etree.HTML(html)
        image_src_list = parse_html.xpath('//p/a/@href')
        # print(image_src_list)

5、对二级页面发生请求，xpath解析数据，获取大图片链接。

reo = parse_html1.xpath('//div//div[@class="content"]') #父结点
    for j in reo:
        d = j.xpath('.//article[@class="article-content"]//p/img/@src')[0]
        text = parse_html1.xpath('//h1[@class ="article-title"] //a/text()')[0].strip()

6、请求图片地址，写入文档。

 html2 = requests.get(url=d, headers=self.headers).content
    dirname = "./d/" + text + ".jpg" #定义图命名
    with open(dirname, 'wb') as f:
        f.write(html2)
        print("%s 【下载成功！！！！】" % text)

7、调用方法，实现功能。

url = self.url.format(page)
print(url)
html = self.get_page(url)
self.parse_page(html)

8、设置延时。（防止ip被封）。

  time.sleep(1) """时间延时"""

【六、效果展示】

1、点击绿色小三角运行输入起始页，终止页。

2、将下载成功信息显示在控制台。

3、text 作为图片命名，展示效果如下所示。

【七、总结】

1、不建议抓取太多数据，容易对服务器造成负载，浅尝辄止即可。

2、本文基于Python网络爬虫，讲述了反爬技巧，利用爬虫库，实现了分类图片的获取，存入文档。

3、希望通过这个项目，能够帮助了解xpath，字符串是如何拼接，format函数如何运用。

4、实现的时候，总会有各种各样的问题，切勿眼高手低，勤动手，才可以理解的更加深刻。

5、需要本文源码的小伙伴，后台回复“博海拾贝”四个字，即可获取。想学习更多Python网络爬虫与数据挖掘知识，可前往专业网站：http://pdcfighting.com/ 想学习更多Python网络爬虫与数据挖掘知识，可前往专业网站：http://pdcfighting.com/

来源：oschina

链接：https://my.oschina.net/u/4521128/blog/4656793

标签

def

ParseHTML

python

lxml