Python爬虫爬取网站图片

此次python3主要用requests,解析图片网址主要用beautiful soup,可以基本完成爬取图片功能,

爬虫这个当然大多数人入门都是爬美女图片,我当然也不落俗套,首先也是随便找了个网址爬美女图片

from bs4 import BeautifulSoup

import requests

 

 

if __name__=='__main__':

    url='http://www.27270.com/tag/649.html'

    headers = {

        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36"}

    req = requests.get(url=url, headers=headers)

    req=requests.get(url=url,headers=headers)

    req.encoding = 'gb2312'

    html=req.text

    bf=BeautifulSoup(html,'lxml')

    targets_url=bf.find('div',class_='w1200 oh').find_all('a',target='_blank')

    for each in targets_url:

        img_req=requests.get(url=each.get('href'),headers=headers)

        img_req.encoding = 'gb2312'

        html = img_req.text

        bf = BeautifulSoup(html, 'lxml')

        img_url = bf.find('div', class_='articleV4Body').find('img')['src']

        name=each.img.get('alt')+'.jpg'

        path=r'C:\Users\asus\Desktop\新建文件夹'

        file_name = path + '\\' + name

        try:

            req1=requests.get(img_url,headers=headers)

            f=open(file_name,'wb')

            f.write(req1.content)

            f.close()

        except:

            print("some error")

期间遇到的一个情况是,它到访问img_url的时候总报错连接主机失败,我开始以为是网址加了反爬之类的,但是我单独拿出来一个网址,却可以很容易的访问,百思不得其解,最后咨询大佬告诉我把img_url的每一个都试试看,可能是某一个网址出了问题,找了找果然是有个叛徒,产生的img_url中第二个网址无法访问,怪不得老报错,我应该多试几个的,一叶障目

我同时也是个火影迷,掌握基本方法后准备试试爬取火影图片,也是网址找了个网址:

http://desk.zol.com.cn/dongman/huoyingrenzhe/

可以看到火影的图片是以图集的形式储存的,所以这个下载就比刚才的稍微多了一点步骤

查看网站源代码容易发现,图集的链接所在都是class='photo-list-padding'的li标签里,且链接没有补全

点开其中一个链接, http://desk.zol.com.cn/dongman/huoyingrenzhe/(前面为浏览器自动补全,在代码里需要自己补全)

可以看到图片的下载地址以及打开本图集下一张图片的链接

了解完网站的图片构造后动手写代码,我们筛选出图集的链接后,通过图集的链接找到第一张图片下载地址和第二张图片的链接,通过第二张的链接找到第二张的下载地址和第三张的链接,循环下去,直到本图集到底,接着开始第二个图集,直到所有图集下载完毕,代码如下,为了方便循环,我们集成下载图片功能为download函数,解析图片网址功能为parses_picture

from bs4 import BeautifulSoup

import requests

 

def download(img_url,headers,n):

    req = requests.get(img_url, headers=headers)

    name = '%s'%n+'='+img_url[-15:]

    path = r'C:\Users\asus\Desktop\火影壁纸1'

    file_name = path + '\\' + name

    f = open(file_name, 'wb')

    f.write(req.content)

    f.close

 

def parses_picture(url,headers,n):

    url = r'http://desk.zol.com.cn/' + url

    img_req = requests.get(url, headers=headers)

    img_req.encoding = 'gb2312'

    html = img_req.text

    bf = BeautifulSoup(html, 'lxml')

    try:

        img_url = bf.find('div', class_='photo').find('img').get('src')

        download(img_url,headers,n)

        url1 = bf.find('div',id='photo-next').a.get('href')

        parses_picture(url1,headers,n)

    except:

        print(u'第%s图片集到头了'%n)

 

if __name__=='__main__':

    url='http://desk.zol.com.cn/dongman/huoyingrenzhe/'

    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36"}

    req = requests.get(url=url, headers=headers)

    req=requests.get(url=url,headers=headers)

    req.encoding = 'gb2312'

    html=req.text

    bf=BeautifulSoup(html,'lxml')

    targets_url=bf.find_all('li',class_='photo-list-padding')

    n=1

    for each in targets_url:

        url = each.a.get('href')

        parses_picture(url,headers,n)

        n=n+1

期间遇到的一个情况是每次一个图集到底的时候,就会产生报错,因为找不到下一张图片的链接了,于是我便加上try语句来捕捉这一报错,让程序继续下去,有了bf果然比正则表达式简单,可以通过标签属性很方便的找到想要的信息。

下载情况

到此这篇关于Python爬虫爬取网站图片的文章就介绍到这了,更多相关Python爬取网站图片内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持!

以上是 Python爬虫爬取网站图片 的全部内容, 来源链接: www.h5w3.com/python/257007.html

回到顶部