首页 > Python基础教程 >
-
python基础教程之Python爬虫入门教程：美空网未登
爬虫分析
首先，我们已经爬取到了N多的用户个人主页，我通过链接拼接获取到了
http://www.moko.cc/post/da39d...
在这个页面中，咱们要找几个核心的关键点，发现平面拍摄点击进入的是图片列表页面。
接下来开始代码走起。
获取所有列表页面
我通过上篇博客已经获取到了70000（实际测试50000+）用户数据，读取到python中。
这个地方，我使用了一个比较好用的python库pandas，大家如果不熟悉，先模仿我的代码就可以了，我把注释都写完整。
import pandas as pd
# 用户图片列表页模板
user_list_url = "http://www.moko.cc/post/{}/list.html"
# 存放所有用户的列表页
user_profiles = []
def read_data():
# pandas从csv里面读取数据
df = pd.read_csv("./moko70000.csv") #文件在本文末尾可以下载
# 去掉昵称重复的数据
df = df.drop_duplicates(["nikename"])
# 按照粉丝数目进行降序
profiles = df.sort_values("follows", ascending=False)["profile"]
for i in profiles:
# 拼接链接
user_profiles.append(user_list_url.format(i))
if __name__ == '__main__':
read_data()
print(user_profiles)
数据已经拿到，接下来我们需要获取图片列表页面，找一下规律，看到重点的信息如下所示，找对位置，就是正则表达式的事情了。
学习python爬虫过程中有不懂的可以加入我的python零基础系统学习交流秋秋qun：934109170，与你分享Python企业当下人才需求及怎么从零基础学习Python，和学习什么内容。相关学习视频资料、开发工具都有分享
快速的编写一个正则表达式
<p class="title"><a hidefocus="ture".*?href="(.*?)" class="mwC u">.*?\((\d+?)\)</a></p>
引入re,requests模块
import requests
import re
# 获取图片列表页面
def get_img_list_page():
# 固定一个地址，方便测试
test_url = "http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/list.html"
response = requests.get(test_url,headers=headers,timeout=3)
page_text = response.text
pattern = re.compile('<p class="title"><a hidefocus="ture".*?href="(.*?)" class="mwC u">.*?\((\d+?)\)</a></p>')
# 获取page_list
page_list = pattern.findall(page_text)
运行得到结果
[('/post/da39db43246047c79dcaef44c201492d/category/304475/1.html', '85'), ('/post/da39db43246047c79dcaef44c201492d/category/304476/1.html', '2'), ('/post/da39db43246047c79dcaef44c201492d/category/304473/1.html', '0')]
继续完善代码，我们发现上面获取的数据，有"0"的产生，需要过滤掉
# 获取图片列表页面
def get_img_list_page():
# 固定一个地址，方便测试
test_url = "http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/list.html"
response = requests.get(test_url,headers=headers,timeout=3)
page_text = response.text
pattern = re.compile('<p class="title"><a hidefocus="ture".*?href="(.*?)" class="mwC u">.*?\((\d+?)\)</a></p>')
# 获取page_list
page_list = pattern.findall(page_text)
# 过滤数据
for page in page_list:
if page[1] == '0':
page_list.remove(page)
print(page_list)
获取到列表页的入口，下面就要把所有的列表页面全部拿到了,这个地方需要点击下面的链接查看一下
http://www.moko.cc/post/da39d...
本页面有分页，4页，每页显示数据4*7=28条
所以，基本计算公式为 math.ceil(85/28)
接下来是链接生成了，我们要把上面的链接，转换成
http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/category/304475/1.html
http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/category/304475/2.html
http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/category/304475/3.html
http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/category/304475/4.html
page_count = math.ceil(int(totle)/28)+1
for i in range(1,page_count):
# 正则表达式进行替换
pages = re.sub(r'\d+?\.html',str(i)+".html",start_page)
all_pages.append(base_url.format(pages))
当我们回去到足够多的链接之后，对于初学者，你可以先干这么一步，把这些链接存储到一个csv文件中，方便后续开发
# 获取所有的页面
def get_all_list_page(start_page,totle):
page_count = math.ceil(int(totle)/28)+1
for i in range(1,page_count):
pages = re.sub(r'\d+?\.html',str(i)+".html",start_page)
all_pages.append(base_url.format(pages))
print("已经获取到{}条数据".format(len(all_pages)))
if(len(all_pages)>1000):
pd.DataFrame(all_pages).to_csv("./pages.csv",mode="a+")
all_pages.clear()
让爬虫飞一会，我这边拿到了80000+条数据
好了，列表数据有了，接下来，我们继续操作这个数据，是不是感觉速度有点慢，代码写的有点LOW，好吧，我承认这是给新手写的其实就是懒，我回头在用一篇文章把他给改成面向对象和多线程的
我们接下来基于爬取到的数据再次进行分析
例如 http://www.moko.cc/post/nimus... 这个页面中，我们需要获取到，红色框框的地址，为什么要或者这个？因为点击这个图片之后进入里面才是完整的图片列表。
我们还是应用爬虫获取
几个步骤
- 循环我们刚才的数据列表
- 抓取网页源码
- 正则表达式匹配所有的链接
def read_list_data():
# 读取数据
img_list = pd.read_csv("./pages.csv",names=["no","url"])["url"]
# 循环操作数据
for img_list_page in img_list:
try:
response = requests.get(img_list_page,headers=headers,timeout=3)
except Exception as e:
print(e)
continue
# 正则表达式获取图片列表页面
pattern = re.compile('<a hidefocus="ture" alt="(.*?)".*? href="(.*?)".*?>VIEW MORE</a>')
img_box = pattern.findall(response.text)
need_links = [] # 待抓取的图片文件夹
for img in img_box:
need_links.append(img)
# 创建目录
file_path = "./downs/{}".format(str(img[0]).replace('/', ''))
if not os.path.exists(file_path):
os.mkdir(file_path) # 创建目录
for need in need_links:
# 获取详情页面图片链接
get_my_imgs(base_url.format(need[1]), need[0])
上面代码几个重点地方
pattern = re.compile('<a hidefocus="ture" alt="(.*?)".*? href="(.*?)".*?>VIEW MORE</a>')
img_box = pattern.findall(response.text)
need_links = [] # 待抓取的图片文件夹
for img in img_box:
need_links.append(img)
获取到抓取目录，这个地方，我匹配了两个部分，主要用于创建文件夹
创建文件夹需要用到 os 模块，记得导入一下
# 创建目录
file_path = "./downs/{}".format(str(img[0]).replace('/', ''))
if not os.path.exists(file_path):
os.mkdir(file_path) # 创建目录
获取到详情页面图片链接之后，在进行一次访问抓取所有图片链接
#获取详情页面数据
def get_my_imgs(img,title):
print(img)
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"}
response = requests.get(img, headers=headers, timeout=3)
pattern = re.compile('<img src2="(.*?)".*?>')
all_imgs = pattern.findall(response.text)
for download_img in all_imgs:
downs_imgs(download_img,title)
最后编写一个图片下载的方法,所有的代码完成，图片保存本地的地址，用的是时间戳。
def downs_imgs(img,title):
headers ={"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"}
response = requests.get(img,headers=headers,timeout=3)
content = response.content
file_name = str(int(time.time()))+".jpg"
file = "./downs/{}/{}".format(str(title).replace('/','').strip(),file_name)
with open(file,"wb+") as f:
f.write(content)
print("完毕")
运行代码，等着收图
代码运行一下，发现报错了
原因是路径的问题，在路径中出现了...这个特殊字符，我们需要类似上面处理/的方式处理一下。自行处理一下吧。
数据获取到，就是这个样子的
代码中需要完善的地方
- 代码分成了两部分，并且是面向过程的，非常不好，需要改进
- 网络请求部分重复代码过多，需要进行抽象，并且加上错误处理，目前是有可能报错的
- 代码单线程，效率不高，可以参照前两篇文章进行改进
- 没有模拟登录，最多只能爬取6个图片，这也是为什么先把数据保存下来的原因，方便后期直接改造
