Python制作豆瓣图片的爬虫

2019-11-25 15:27:37

字体：大中小

来源：转载

供稿：网友

　　前段时间自学了一段时间的Python，想着浓一点项目来练练手。看着大佬们一说就是爬了100W+的数据就非常的羡慕，不过对于我这种初学者来说，也就爬一爬图片。

　　我相信很多人的第一个爬虫程序都是爬去贴吧的图片，嗯，我平时不玩贴吧，加上我觉得豆瓣挺良心的，我就爬了豆瓣首页上面的图片。其实最刚开始是想爬全站，后来一想我这简直是脑子犯抽，全站的图片爬下来得有多少，再说这个只是练一下手，所以就只爬取了首页上的图片。废话不多说开始代码。

　　首先是主文件的代码：

import refrom html_downloder import HtmlDownloaderfrom html_downloder import Image"'起始URL'"url = "https://www.douban.com""'保存目录'"image_path = "F:/source/Python/爬虫/ImageGet/Image%s.jpg""'定义实体类'"downloader = HtmlDownloader()html = downloader.download(url)"'SaveFile(html, html_path)'"html = html.decode('utf-8')"'正则表达式'"reg1 = r'="(https://img[/S]*?[jpg|png])"'"'提取图片的URL'"dbdata = re.findall(reg1, html)imgsave = Image()"'下载保存图片'"imgsave.ImageGet(dbdata, image_path)

我们打开豆瓣首页然后看一下里面图片的url会发现

都是以“=”等号开头，后面接双引号，中间都是https://img，末尾以双引号结束。

因此我们的正则表达式可以写成 reg1 = r'="(https://img[/S]*?[jpg|png])"'

在这个表达式中"[]"中括号里面的东西会作为一个整体，其中[/S]表示大小写字母和数字，[jpg|png]表示以png结尾或者jpg结尾（在这次爬虫中并没有包括gif，因为打开gif的url发现是空白）。

然后是html_downloder.py的代码：

 # file: html_downloader.py  import urllib.request import urllib.error import time class HtmlDownloader(object):  def download(self, url):   if url is None:    return None   try:    header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64)'}    "'发出请求'"    request = urllib.request.Request(url=url, headers=header)    "'获取结果'"    response = urllib.request.urlopen(url)   except urllib.error.URLError as e:    if hasattr(e, "code"):     print(e.code)    if hasattr(e, "reason"):     print(e.reason)   if response.getcode() != 200:    return None   html = response.read()   response.close()   return html class Image (object):  def ImageGet(self, imageurl, image_path):   x = 0   for li in imageurl:    urllib.request.urlretrieve(li, image_path % x)    x = x + 1    "'休眠5s以免给服务器造成严重负担'"    time.sleep(5)

这个文件的代码主要是负责下载html网页和下载具体的图片。

接下来就可以在保存路径对应的文件夹中中看到下载的图片了