今天沒事回家寫了個貼吧圖片下載程序，工具用的是PyCharm，這個工具很實用，開始用的Eclipse，但是再使用類庫或者其它方便并不實用，所以最后下了個專業開發python程序的工具，開發環境是Python2，因為大學時自學的是python2
第一步：就是打開cmd命令，輸入pip install lxml
如圖
第二步：下載一個chrome插件：專門用來將html文件轉為xml用xpth技術定位
在頁面按下Ctrl+Shift+X即可打開插件進行頁面分析
如下圖
圖中的黑色方框左邊填寫xpth，右邊會返回對應的結果，可以看到當前頁面的帖子全部抓取到了。xpth具體怎么寫要根據右邊的檢查元素來具體分析，尋找規律，每個網站的方式不一樣，但是細心尋找可以找到相同的規律。
找到規律并能匹配上開始寫代碼了：go
至于代碼我對于每行盡量標上注釋，方便大家理解
|
1
|
|
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
|
# -*- coding:utf-8 -*-import urllibimport urllib2from lxml import etreedef loadPage(url): """ 作用：根據url發送請求，獲取服務器響應文件 url: 需要爬取的url地址 """ #print url #美女 # headers = {"User-Agent" : "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"} request = urllib2.Request(url) html = urllib2.urlopen(request).read() # 解析HTML文檔為HTML DOM模型 content = etree.HTML(html) #print content # 返回所有匹配成功的列表集合 link_list = content.xpath('//div[@class="t_con cleafix"]/div/div/div/a/@href') #link_list = content.xpath('//a[@class="j_th_tit"]/@href') for link in link_list: fulllink = "http://tieba.baidu.com" + link # 組合為每個帖子的鏈接 #print link loadImage(fulllink)# 取出每個帖子里的每個圖片連接def loadImage(link): headers = {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"} request = urllib2.Request(link, headers = headers) html = urllib2.urlopen(request).read() # 解析 content = etree.HTML(html) # 取出帖子里每層層主發送的圖片連接集合 #link_list = content.xpath('//img[@class="BDE_Image"]/@src') #link_list = content.xpath('//div[@class="post_bubble_middle"]') link_list = content.xpath('//img[@class="BDE_Image"]/@src') # 取出每個圖片的連接 for link in link_list: print link writeImage(link)def writeImage(link): """ 作用：將html內容寫入到本地 link：圖片連接 """ #print "正在保存 " + filename headers = {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"} # 文件寫入 request = urllib2.Request(link, headers = headers) # 圖片原始數據 image = urllib2.urlopen(request).read() # 取出連接后10位做為文件名 filename = link[-10:] # 寫入到本地磁盤文件內 with open("d:\image\\"+filename, "wb") as f: f.write(image) print "已經成功下載 "+ filenamedef tiebaSpider(url, beginPage, endPage): """ 作用：貼吧爬蟲調度器，負責組合處理每個頁面的url url : 貼吧url的前部分 beginPage : 起始頁 endPage : 結束頁 """ for page in range(beginPage, endPage + 1): pn = (page - 1) * 50 filename = "第" + str(page) + "頁.html" fullurl = url + "&pn=" + str(pn) print fullurl loadPage(fullurl) #print html print "謝謝使用"if __name__ == "__main__": kw = raw_input("請輸入需要爬取的貼吧名:") beginPage = int(raw_input("請輸入起始頁：")) endPage = int(raw_input("請輸入結束頁：")) url = "http://tieba.baidu.com/f?" key = urllib.urlencode({"kw": kw}) fullurl = url + key tiebaSpider(fullurl, beginPage, endPage) |
運行：
可以看到程序成功運行了，當然我自己的過程并不是一帆風順，代碼僅供參考
以上這篇python 實現一個貼吧圖片爬蟲的示例就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持服務器之家。
原文鏈接：http://www.cnblogs.com/clovejava/archive/2017/10/11/7653284.html
