Python 爬虫
承上启下上篇已经讲到了简单的爬虫的一些相关的东西,模块学习,这篇就从最基本的"爬虫"开始,一句一句的阅读一个炒鸡简单的“爬虫”。
蠕动的小家伙
importurllib.request
importos
importre
# 未写
defproxy_open():
# 安装代理 步骤
# 1. 选择代理
# 2. 建立代理
# 3. 安装代理
pass
defsave_pic(url,filename):
req=urllib.request.Request(url)
req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/42.0.2311.152 Safari/537.36')
try:
proxy_open()
response=urllib.request.urlopen(req)
excepturllib.error.HTTPError:
return
pic=response.read()
iflen(pic)==0:
print('图片不存在')
return
f=open(filename,'wb')
f.write(pic)
f.close()
deffind_pic(html):
pic_list=[]
a=html.find('
')
end=html.find('
',a)
whileTrue:
b=html.find('src="',a)
ifb>end:
break
b+=5;
a=html.find('"',b)
pic_list.append(html[b:a])
returnpic_list
defget_pic(url,count):
req=urllib.request.Request(url)
req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/42.0.2311.152 Safari/537.36')
response=urllib.request.urlopen(req)
html=response.read()
html=html.decode('gbk')
ifre.search(r'很抱歉!没有找到符合条件的页面哦',html)!=None:
print('页面无法访问')
return
# print(str(html))
# 找到图片链
pic_list=find_pic(html)
iflen(pic_list)==0:
return
# 保存图片
index=0
foreachinpic_list:
print(each)
filename='./OOXX/'+str(count)+'_'+str(index)+'.jpg'
save_pic(each,filename)
index+=1
defdownload_mm(folder='OOXX',pages=100):
try:
os.mkdir(folder)
# os.chdir(folder)
exceptFileExistsError:
pass
url_module='http://www.meizitu.com/a/%d.html'
count=34
whileTrue:
ifcount>=pages:
break
url=url_module.replace('%d',str(count))
print(url)
get_pic(url,count)
count+=1
if__name__=='__main__':
download_mm()
解释这段代码我曾经发出来过,是一个很简单的,甚至算不上“爬虫”的“爬虫”。
刚刚开始读Python代码的时候,其实我是非常不适应的,我是属于典型的windows程序员,很不习惯这种小写加上下划线的命名规范,当然,到现在为止,我依旧不适应这种写法,也间接的说明了我的英语很烂的缘故吧。
废话不多了,首先开始读。
和 c 的 main() 一样 ,python 也有一个入口点,就是
if__name__=='__main__':
download_mm()
一般是采用这种形式来说明程序的入口。
可以看到这里调用了一个函数 download_mm , 这个是属于个人的封装习惯了,不同的人对于函数的封装习惯略有区别。
defdownload_mm(folder='OOXX',pages=100):
函数声明部分说明了,这个函数是有两个可选的默认参数的,由于我也就忘记了这个默认参数的习惯,所以 我遵循 c++ 的标准,从最右边开始,往左,但是 python 这么灵活的语言中应该是没有这个限制的。
try:
os.mkdir(folder)
# os.chdir(folder)
exceptFileExistsError:
pass
使用了一个叫做 os 的模块,可以通过帮助文档,这个 模块的主要作用是和计算机的文件系统打交道的。
其实我觉得这种说法是片面的,感觉就是和文件及文件夹相关的操作。
这里是创建了一个目录,之后改变了工作目录,其实在帮助文档说的非常详细了,
我大概也知道有很多和我一样苦逼的自学朋友们英语没有那么溜,我这里也顺便给大家推荐一个小软件 QTranslate ,小巧便捷,支持几个在线词库,还不错。
接着是一个异常处理,如果文件夹存在那么创建的话就会报出一个异常,我们接收异常之后略过就好了,因为本来的目的就创建文件夹。
仔细看了之后 觉得这个 os.chdir(folder) 在这里有一些多余,毕竟是默认的相对路径且不支持指定路径,这里不要也是成立的。(未验证)
url_module='http://www.meizitu.com/a/%d.html'
count=34
whileTrue:
ifcount>=pages:
break
url=url_module.replace('%d',str(count))
print(url)
# 获取图片
get_pic(url,count)
count+=1
后面是一个简单的循环,为了匹配这个网页的规则,也就是说明了爬虫是具有一定规则性的,当然你如果能支持非常多的规则的话,应该能爬到不少东西,我这里充其量算是一个精确搜索的爬虫。
接下来,我自己吐槽一下我自己的这个地方的字符串算法,应该是有更好的办法写的,各位看官可以下去自己测试,就是 replace 的地方,之后把生成的链接和和count传入了 get_pic 函数,传入 count 的目的是给生成的图片命名。
爬虫第二个比较关键的函数就是这个获取图片了。
defget_pic(url,count):
req=urllib.request.Request(url)
req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/42.0.2311.152 Safari/537.36')
response=urllib.request.urlopen(req)
html=response.read()
html=html.decode('gbk')
ifre.search(r'很抱歉!没有找到符合条件的页面哦',html)!=None:
print('页面无法访问')
return
# print(str(html))
# 找到图片链
pic_list=find_pic(html)
iflen(pic_list)==0:
return
# 保存图片
index=0
foreachinpic_list:
print(each)
filename='./OOXX/'+str(count)+'_'+str(index)+'.jpg'
save_pic(each,filename)
index+=1
先说一下它的写法。
这里使用了我们上篇说到的 urllib.request 模块,用来获取网页的源代码。
获取到源码之后 传入了 find_pic 函数,这个函数的目的是 找到源码中的,我们需要的东西,即图片的链接。
deffind_pic(html):
pic_list=[]
a=html.find('
')
end=html.find('
',a)
whileTrue:
b=html.find('src="',a)
ifb>end:
break
b+=5;
a=html.find('"',b)
pic_list.append(html[b:a])
returnpic_list
使用的是最基本的字符串查找算法,如果这里使用正则可以几句代码就搞定,各位看官下去可以自己尝试写成正则的。
正则模块是 re ,可以自己学习这个模块的使用方法。
之后将这个存放图片链接列表遍历一下,保存到本地,调用了 save_pic
这个函数的写法如下:
defsave_pic(url,filename):
req=urllib.request.Request(url)
req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/42.0.2311.152 Safari/537.36')
try:
proxy_open()
response=urllib.request.urlopen(req)
excepturllib.error.HTTPError:
return
pic=response.read()
iflen(pic)==0:
print('图片不存在')
return
f=open(filename,'wb')
f.write(pic)
f.close()
这里使用了以前的方法,使用 open 和 write 、close 来保存文件。这里需要注意的一点是, 写入文件之后一定要立马调用 close 方法,否则可能出现一些很奇怪的事情,例如文件写入乱码和失败,至于为什么会出现这种问题,各位读者请自己思考,为什么留下这些问题是为了给读者一些思考的空间。
不得不提的是,这里还有这么个东西可以用来保存文件:
urllib.request.urlretrieve(url,filename=None,reporthook=None,data=None)
到这里基本流程就全部解释完毕了,关于代理和多线程处理,会在下一篇中继续跟进。