Python爬虫——爬取网站的图片

比眉伴天荒 2022-08-10 09:28 424阅读 0赞

爬虫这东西最早出现在我大学计算机网络的课程上面，我们当时的老师人很好，期末不笔试，他说这东西笔试没什么用，对于一个年纪比较大的老师来讲，能提出这种方式，实在难得。当时在考虑做一个与网络有关的东西好，第一个想到的就是爬虫。想想也没想过用Java写过这种东西，所以当时是一般看一本爬虫的书一边敲代码，现在想起来有很多东西是没有想明白的——我当时爬的是刘末鹏的博客，把全部文章用分类爬了下来，在本地可以打开。

后面老师评价的时候就说，你这个只能爬这个，其实你应该让他智能些，让他可以爬图片，可以爬特定的内容，我想想也是，不过知道的，后续有别的东西就没再去弄了。

而后知道写爬虫还可以用Python写，前面草草看了Python的一点东西，不系统。

后面看了《Learn Python in hard way》,嗯，这本书其实是为了连没有编程基础的人也学会，有编程基础的英文却不好的，可以练练英文，其实书到后面的跨度是比较大的，包括那个课后的习题游戏，自己不理清思路还是很难写出来。

有了大概的基础之后，你会发现，python有好多好多API。

《The Python Standard Library by Example》是一本大厚书，这种书更像查字典，官网的Python library的例子有点蛋疼。这本书超级详细，包括正则表达式。

学这门语言的时候遇到很多有趣的事情。

当年那位在圣诞无聊开发了一门编程语言的人就是Python的作者。

用自带的库也能写爬虫，但是有一个第三方库用起来很方便——requests，这个库不有趣，有趣的是他的作者——Kenneth Reitz。很年轻。为什么说有趣，是因为我看了之后上一个减肥的问题。

减肥前，他长——

![Center][]

减肥后，他长——

![Center 1][]

他爱好好像也是摄影，GitHub上的粉丝也是多。无论从编程还是减肥，他都是一个励志的例子。

回来正题：

当你要做点什么东西的时候，你还是需要想清楚你要获取什么，不然你很难写下去。像我刚开始模拟登录知乎的时候，登录完成后很高兴，后面也不知道怎么去爬，也没思路。后面有同事想获取一个网站上的图片，他花了好多钱买了一个php上传图片的工程，不禁感叹淘宝的钱真好赚。而他要下载图片，想想自己最近学的requests库还有其他东西。决定帮他爬。

要爬的是http://zone.quanjing.com这个网站。首先我先找了设计这个分类下的照片，分析了下html的源代码。

其实知道自己获取这些数据之后，接下来要做的就是知道用正则如何去匹配到。思路有了，实现就简单了。  
然后你知道怎么用requests库，python的一些基础，正则表达式就可以爬取到首页的图片了。

#!/usr/bin/env python
    # -*- coding: utf-8 -*-
    # @Author: iaiti
    # @Date:   2015-11-17 15:18:28
    # @Last Modified by:   Administrator
    # @Last Modified time: 2015-11-19 11:11:37
    
    import re
    import requests
    import sys
    #设置编码
    reload(sys)
    sys.setdefaultencoding('utf-8')
    circle = requests.get("http://zone.quanjing.com/share/design/")
    #text和content的内容有不同
    ccontent =  circle.text
    #这里是正则的坑  括号的东西是分组的 外面没有括号之前 只会匹配到jpg和png不会匹配全部
    #外面多一层括号才会匹配整个  但是特别的是 里面的括号也会匹配  所以
    #真正findall的是整个list  list里面每个都是元组  元组里面有xxx.jpg和jpg
    pattern = "(http:[^\s]*?(jpg|png|PNG|JPG))"
    finder = re.findall(pattern, circle.text)
    
    #匹配到之后获取匹配开头和末尾位置
    # finder = re.search(pattern, test)
    # start = finder.start()
    # end = finder.end()
    # print test[start:end]
    #匹配http 获取文件名
    truepicture = ".*photo/p0.*"
    #匹配图片网址
    picpattern = "http:[^\s]*/"
    #匹配标题
    titlepattern = '<p class="title" title=".*?"'
    imgfinder = re.findall(titlepattern, circle.text)
    imglen = 0
    for n in xrange(0,len(finder)):
    	if re.match(truepicture, finder[n][0]):
    		print finder[n][0]
    
    		#p0改为r0后变成了大图目录的地址，
    		bigpicture = finder[n][0].replace('photo/p0','photo/r0')
     		newimg = requests.get(bigpicture)
    
     		#替换掉无关的字符串
    		temp = imgfinder[imglen].replace('<p class="title" title="','')
    		newfinder = re.search(picpattern, finder[n][0])
    
    		#截取title
    		temp = "G:/github/WebSpider_Python/img/"+temp[0:len(temp)-1]+'.jpg'
    		#下载文件，超级简单 设定好目录  content的意义也在于这里 
    		with open(temp,'wb') as newfile:
    			newfile.write(newimg.content)
    	
    		imglen = imglen+1

先上代码，其实爬虫这东西的文章，很多跨度太大，但是要给自己信心，不要别人可以爬的你也可以，看了一些基本的之后，自己动手写才是最重要的。我在这里写这篇，也是给个思路那样。

其实爬了首页之后，发现就那么几张图片。当你你鼠标往下拉，会自动加载东西。所以，万能的抓包出现了，和wireshark抓包不同的是，wireshark抓的包比较详细，包括tcp三次握手等等，嗯，前辈跟我说的，它带有很多路由信息。我们只需要分析http请求，所以chrome自带的调试工具，足矣。

按下F12。往下拉，然后请求都会被捕获。

![Center 2][]

![Center 3][]

现在想想我想起了以前面试的时候面试官问我的东西，get和post的区别，我答的是get提交的数据会被捕捉到，post不会，想想当时懂的还是不多。

不过学习中也找到了问题的答案。

从捕获的东西上看出，网站后台用了.net。然后post了这些参数。

再看看js文件。![Center 4][]

其实从这里我发现到和我写的系统惊人的相似，这就是前后端分离的结果。

前端可以写的完全一模一样，但是后台可以使用.net，也可以使用java。嗯，用requests模拟请求这个，得到的是：

{ "TableInfo":[ { "id":"1123130","FilePath":"141118-121609-fVwIzH.jpg","userid":"974767",
    "title":"%e4%b8%8d%e8%8a%b1%e9%92%b1%e7%b3%bb%e5%88%97%e6%b5%b7%e6%8a%a5",
    "Height":"255","UserName":"广州合丰","headpic":"default.jpg"},
     { "id":"1123129","FilePath":"141118-121233-LxISqc.jpg","userid":"974767",
     "title":"%e5%8d%93%e8%b6%8a%e6%b2%83%e6%9c%8d%e5%8a%a1%e7%b3%bb%e5%88%97%e6%b5%b7%e6%8a%a5",
     "Height":"1374","UserName":"广州合丰","headpic":"default.jpg"}]}

字典里面TableInfo的值是列表，列表中的每个值又是字典，title是url编码后的中文，FilePathe就是图片路径。

返回后的json串通过js的处理后拼接，再放入到前面那个页面的div里面，做到滚动显示。

其实基本的玩法也就是这样，嗯，我还被前辈批实战经验不足，确实要多搞搞才行。

python代码：

#!/usr/bin/env python
    # -*- coding: utf-8 -*-
    # @Author: iaiti
    # @Date:   2015-11-18 10:41:10
    # @Last Modified by:   Administrator
    # @Last Modified time: 2015-11-19 14:55:01
    
    import re
    import requests
    import sys
    import json
    from urllib import unquote
    
    reload(sys)
    sys.setdefaultencoding('utf-8')
    
    #获取到匹配字符的字符串
    def find(pattern,test):
    	finder = re.search(pattern, test)
    	start = finder.start()
    	end = finder.end()
    	return test[start:end-1]
    
    #大图的网址为r0 小图为p0
    picturepath = 'http://zonepic.quanjing.com/photo/r0/'
    
    
    #循环发送ajax请求 捉取大量图片
    # for x in xrange(100,200):
    
    #ajax采用post请求，通过抓包可以看出具体请求的参数
    #http://zone.quanjing.com/share/design/  post参数为此url下下拉加载ajax请求所需要的参数
    formdata = {'pageindex':'','pagesize':'25','keywords':'','arttype':'7','isgame':''}
    
    #批量获取时，pageindex
    #formdata['pageindex'] = x
    formdata['pageindex'] = 2
    #模拟post请求
    circle = requests.post("http://zone.quanjing.com/share/ashx/WaterFallShowAsync.ashx",data=formdata)
    
    #匹配后缀为jpg和png的链接
    pattern = "(http:[^\s]*?(jpg|png))"
    finder = re.findall(pattern, circle.text)
    
    # 字典里面TableInfo的值是列表，列表中的每个值又是字典，title是url编码后的中文，FilePathe就是图片路径
    # { "TableInfo":[ { "id":"1123130","FilePath":"141118-121609-fVwIzH.jpg","userid":"974767",
    # "title":"%e4%b8%8d%e8%8a%b1%e9%92%b1%e7%b3%bb%e5%88%97%e6%b5%b7%e6%8a%a5",
    # "Height":"255","UserName":"广州合丰","headpic":"default.jpg"},
    #  { "id":"1123129","FilePath":"141118-121233-LxISqc.jpg","userid":"974767",
    #  "title":"%e5%8d%93%e8%b6%8a%e6%b2%83%e6%9c%8d%e5%8a%a1%e7%b3%bb%e5%88%97%e6%b5%b7%e6%8a%a5",
    #  "Height":"1374","UserName":"广州合丰","headpic":"default.jpg"}]}
    print circle.text
    
    #json串转字典，获取TableInfo的值
    mydict = json.loads(circle.text)
    tablekey  = mydict['TableInfo']
    #print tablekey
    
    #由于http://zonepic.quanjing.com/photo/p0/151112/151112-040832-zxe6fZ.jpg   p0后面的
    #文件夹命名为图片前面的数字命名，所以匹配此字符串
    secondfile = '.*?-'
    print len(tablekey)
    
    #遍历列表
    for keyarray in tablekey:
    	print str(keyarray['title'])
    	#中文title的url解码
    	imgfilename =unquote(str(keyarray['title'])).decode('utf8')
    
    	#由于要把标题当做文件名，但是文件名不能包含*<>/\:这些特殊字符
    	imgfilename =imgfilename.replace('>', '').replace('*', '').replace('<', '').replace('/', '').replace(':', '').replace('\\', '').replace('|', '')
    	imgnametemp = "G:/github/WebSpider_Python/img/"+imgfilename+".jpg"
    	print imgfilename
    	filepath = keyarray['FilePath']
    	print filepath
    	print picturepath+find(secondfile,keyarray['FilePath'])+'/'+keyarray['FilePath']
    	#requests请求图片地址 
    	newimg = requests.get(picturepath+find(secondfile,keyarray['FilePath'])+'/'+keyarray['FilePath'])
    	with open(imgnametemp,'wb') as newfile:
    		#获取图片内容并往磁盘写入，命名为匹配的中文title名加上后缀
    		newfile.write(newimg.content)

这样，我跟我同事完美地交了差，同时吐槽他这网站很多图片没有标题。

上面的代码有些写得不符合规范，也没有用到多线程去捉取，解析html也没有用Beautiful soup这些。后面慢慢补上。

这个东西写完之后，找回了很多东西。

[Center]: /images/20220731/3201ccd2fcae4e71bc1aaab6d7c16821.png
[Center 1]: /images/20220731/e047fb808ea74a90ab8dab1bb260bc6a.png
[Center 2]: /images/20220731/0243acf5fdb24528a6ba87b241f0896b.png
[Center 3]: /images/20220731/576fe45a5d244c71ac56e9048e4c3d44.png
[Center 4]: /images/20220731/7a60d203d51944f9b69ac4d981e43376.png