Python爬虫之爬取淘女郎照片示例详解

本篇目标

抓取淘宝MM的姓名，头像，年龄
抓取每一个MM的资料简介以及写真图片
把每一个MM的写真图片按照文件夹保存到本地
熟悉文件保存的过程

1.URL的格式

在这里我们用到的URL是 http://mm.taobao.com/json/request_top_list.htm?page=1，问号前面是基地址，后面的参数page是代表第几页，可以随意更换地址。点击开之后，会发现有一些淘宝MM的简介，并附有超链接链接到个人详情页面。

我们需要抓取本页面的头像地址，MM姓名，MM年龄，MM居住地，以及MM的个人详情页面地址。

2.抓取简要信息

相信大家经过上几次的实战，对抓取和提取页面的地址已经非常熟悉了，这里没有什么难度了，我们首先抓取本页面的MM详情页面地址，姓名，年龄等等的信息打印出来，直接贴代码如下

import urllib
import urllib2
import re

class Spider:

 def __init__(self):
  self.siteURL = \'http://mm.taobao.com/json/request_top_list.htm\'

 def getPage(self,pageIndex):
  url = self.siteURL + \"?page=\" + str(pageIndex)
  print url
  request = urllib2.Request(url)
  response = urllib2.urlopen(request)
  return response.read().decode(\'gbk\')

 def getContents(self,pageIndex):
  page = self.getPage(pageIndex)
  pattern = re.compile(\'<div class=\"list-item\".*?pic-word.*?<a href=\"(.*?)\" rel=\"external nofollow\" rel=\"external nofollow\" .*?![]((.*?))(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>\',re.S)
  items = re.findall(pattern,page)
  for item in items:
   print item[0],item[1],item[2],item[3],item[4]

spider = Spider()
spider.getContents(1)

运行结果如下

3.文件写入简介

在这里，我们有写入图片和写入文本两种方式

1）写入图片

#传入图片地址，文件名，保存单张图片
def saveImg(self,imageURL,fileName):
  u = urllib.urlopen(imageURL)
  data = u.read()
  f = open(fileName, \'wb\')
  f.write(data)
  f.close()

2）写入文本

def saveBrief(self,content,name):
 fileName = name + \"/\" + name + \".txt\"
 f = open(fileName,\"w+\")
 print u\"正在偷偷保存她的个人信息为\",fileName
 f.write(content.encode(\'utf-8\'))

3）创建新目录

#创建新目录
def mkdir(self,path):
 path = path.strip()
 # 判断路径是否存在
 # 存在  True
 # 不存在 False
 isExists=os.path.exists(path)
 # 判断结果
 if not isExists:
  # 如果不存在则创建目录
  # 创建目录操作函数
  os.makedirs(path)
  return True
 else:
  # 如果目录存在则不创建，并提示目录已存在
  return False

4.代码完善

主要的知识点已经在前面都涉及到了，如果大家前面的章节都已经看了，完成这个爬虫不在话下，具体的详情在此不再赘述，直接帖代码啦。

spider.py

import urllib
import urllib2
import re
import tool
import os

#抓取MM
class Spider:

 #页面初始化
 def __init__(self):
  self.siteURL = \'http://mm.taobao.com/json/request_top_list.htm\'
  self.tool = tool.Tool()

 #获取索引页面的内容
 def getPage(self,pageIndex):
  url = self.siteURL + \"?page=\" + str(pageIndex)
  request = urllib2.Request(url)
  response = urllib2.urlopen(request)
  return response.read().decode(\'gbk\')

 #获取索引界面所有MM的信息，list格式
 def getContents(self,pageIndex):
  page = self.getPage(pageIndex)
  pattern = re.compile(\'<div class=\"list-item\".*?pic-word.*?<a href=\"(.*?)\" rel=\"external nofollow\" rel=\"external nofollow\" .*?![]((.*?))(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>\',re.S)
  items = re.findall(pattern,page)
  contents = []
  for item in items:
   contents.append([item[0],item[1],item[2],item[3],item[4]])
  return contents

 #获取MM个人详情页面
 def getDetailPage(self,infoURL):
  response = urllib2.urlopen(infoURL)
  return response.read().decode(\'gbk\')

 #获取个人文字简介
 def getBrief(self,page):
  pattern = re.compile(\'<div class=\"mm-aixiu-content\".*?>(.*?)<!--\',re.S)
  result = re.search(pattern,page)
  return self.tool.replace(result.group(1))

 #获取页面所有图片
 def getAllImg(self,page):
  pattern = re.compile(\'<div class=\"mm-aixiu-content\".*?>(.*?)<!--\',re.S)
  #个人信息页面所有代码
  content = re.search(pattern,page)
  #从代码中提取图片
  patternImg = re.compile(\'<img.*?src=\"(.*?)\"\',re.S)
  images = re.findall(patternImg,content.group(1))
  return images


 #保存多张写真图片
 def saveImgs(self,images,name):
  number = 1
  print u\"发现\",name,u\"共有\",len(images),u\"张照片\"
  for imageURL in images:
   splitPath = imageURL.split(\'.\')
   fTail = splitPath.pop()
   if len(fTail) > 3:
    fTail = \"jpg\"
   fileName = name + \"/\" + str(number) + \".\" + fTail
   self.saveImg(imageURL,fileName)
   number += 1

 # 保存头像
 def saveIcon(self,iconURL,name):
  splitPath = iconURL.split(\'.\')
  fTail = splitPath.pop()
  fileName = name + \"/icon.\" + fTail
  self.saveImg(iconURL,fileName)

 #保存个人简介
 def saveBrief(self,content,name):
  fileName = name + \"/\" + name + \".txt\"
  f = open(fileName,\"w+\")
  print u\"正在偷偷保存她的个人信息为\",fileName
  f.write(content.encode(\'utf-8\'))


 #传入图片地址，文件名，保存单张图片
 def saveImg(self,imageURL,fileName):
   u = urllib.urlopen(imageURL)
   data = u.read()
   f = open(fileName, \'wb\')
   f.write(data)
   print u\"正在悄悄保存她的一张图片为\",fileName
   f.close()

 #创建新目录
 def mkdir(self,path):
  path = path.strip()
  # 判断路径是否存在
  # 存在  True
  # 不存在 False
  isExists=os.path.exists(path)
  # 判断结果
  if not isExists:
   # 如果不存在则创建目录
   print u\"偷偷新建了名字叫做\",path,u\'的文件夹\'
   # 创建目录操作函数
   os.makedirs(path)
   return True
  else:
   # 如果目录存在则不创建，并提示目录已存在
   print u\"名为\",path,\'的文件夹已经创建成功\'
   return False

 #将一页淘宝MM的信息保存起来
 def savePageInfo(self,pageIndex):
  #获取第一页淘宝MM列表
  contents = self.getContents(pageIndex)
  for item in contents:
   #item[0]个人详情URL,item[1]头像URL,item[2]姓名,item[3]年龄,item[4]居住地
   print u\"发现一位模特,名字叫\",item[2],u\"芳龄\",item[3],u\",她在\",item[4]
   print u\"正在偷偷地保存\",item[2],\"的信息\"
   print u\"又意外地发现她的个人地址是\",item[0]
   #个人详情页面的URL
   detailURL = item[0]
   #得到个人详情页面代码
   detailPage = self.getDetailPage(detailURL)
   #获取个人简介
   brief = self.getBrief(detailPage)
   #获取所有图片列表
   images = self.getAllImg(detailPage)
   self.mkdir(item[2])
   #保存个人简介
   self.saveBrief(brief,item[2])
   #保存头像
   self.saveIcon(item[1],item[2])
   #保存图片
   self.saveImgs(images,item[2])

 #传入起止页码，获取MM图片
 def savePagesInfo(self,start,end):
  for i in range(start,end+1):
   print u\"正在偷偷寻找第\",i,u\"个地方，看看MM们在不在\"
   self.savePageInfo(i)


#传入起止页码即可，在此传入了2,10,表示抓取第2到10页的MM
spider = Spider()
spider.savePagesInfo(2,10)

tool.py

import re

#处理页面标签类
class Tool:
 #去除img标签,1-7位空格, 
 removeImg = re.compile(\'<img.*?>| {1,7}| \')
 #删除超链接标签
 removeAddr = re.compile(\'<a.*?>|</a>\')
 #把换行的标签换为\\n
 replaceLine = re.compile(\'<tr>|<div>|</div>|</p>\')
 #将表格制表<td>替换为\\t
 replaceTD= re.compile(\'<td>\')
 #将换行符或双换行符替换为\\n
 replaceBR = re.compile(\'<br><br>|<br>\')
 #将其余标签剔除
 removeExtraTag = re.compile(\'<.*?>\')
 #将多行空行删除
 removeNoneLine = re.compile(\'\\n+\')
 def replace(self,x):
  x = re.sub(self.removeImg,\"\",x)
  x = re.sub(self.removeAddr,\"\",x)
  x = re.sub(self.replaceLine,\"\\n\",x)
  x = re.sub(self.replaceTD,\"\\t\",x)
  x = re.sub(self.replaceBR,\"\\n\",x)
  x = re.sub(self.removeExtraTag,\"\",x)
  x = re.sub(self.removeNoneLine,\"\\n\",x)
  #strip()将前后多余内容删除
  return x.strip()

以上两个文件就是所有的代码内容，运行一下试试看，那叫一个酸爽啊