Python 写爬虫爬妹子

笔者近段时间学完 Python，写了几个爬虫练练手，网上的教程有很多，但是有的已经不能爬了，主要是网站经常改，可是爬虫还是有通用的思路的，即下载数据、解析数据、保存数据。下面一一来讲。

1.下载数据

首先打开要爬的网站，分析 URL，每打开一个网页看 URL 有什么变化，有可能带上上个网页的某个数据，例如 xxID 之类，那么我们就需要在上一个页面分析HTML，找到对应的数据。如果网页源码找不到，可能是 ajax 异步加载，去 xhr里去找。

有的网站做了反爬的处理，可以添加 User-Agent ：判断浏览器

self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
# 初始化 headers
self.headers = {'User-Agent': self.user_agent}

下载数据的模块有 urllib、urllib2 及 Requests

Requests 相比其他俩个的话，支持 HTTP 连接保持和连接池，支持使用 cookie保持会话，支持文件上传，支持自 动确定响应内容的编码，支持国际化的 URL 和 POST 数据自动编码，而且api相对来说也简单，但是 requests 直接使用不能异步调用，速度慢。

html = requests.get(url, headers=headers)   #没错，就是这么简单

urllib2 以我爬取淘宝的妹子例子来说明：

user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = {'User-Agent': user_agent}
# 注意：form data请求参数
params = 'q&viewFlag=A&sortType=default&searchStyle=&searchRegion=city%3A&searchFansNum=&currentPage=1&pageSize=100'


def getHome():
   url = 'https://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8'
   req = urllib2.Request(url, headers=headers)
   # decode（’utf - 8’）解码   把其他编码转换成unicode编码
   # encode(’gbk’) 编码  把unicode编码转换成其他编码
   # ”gbk”.decode(’gbk’).encode(’utf - 8')
   # unicode = 中文
   # gbk = 英文
   # utf - 8 = 日文
   # 英文一 > 中文一 > 日文,unicode相当于转化器
   html = urllib2.urlopen(req, data=params).read().decode('gbk').encode('utf-8')
   # json转对象
   peoples = json.loads(html)
   for i in peoples['data']['searchDOList']:
       #去下一个页面获取数据
       getUseInfo(i['userId'], i['realName'])

2.解析数据

解析数据也有很多方式，我只看了 beautifulsoup 和正则，这个例子是用正则来解析的

def getUseInfo(userId, realName):
   url = 'https://mm.taobao.com/self/aiShow.htm?userId=' + str(userId)
   req = urllib2.Request(url)
   html = urllib2.urlopen(req).read().decode('gbk').encode('utf-8')

   pattern = re.compile('<img.*?src=(.*?)/>', re.S)
   items = re.findall(pattern, html)
   x = 0
   for item in items:
       if re.match(r'.*(.jpg")$', item.strip()):
           tt = 'http:' + re.split('"', item.strip())[1]
           down_image(tt, x, realName)
           x = x + 1
   print('下载完毕')

正则表达式说明

match：匹配 string 开头，成功返回 Match object, 失败返回 None，只匹配一个。

search：在 string 中进行搜索，成功返回 Match object, 失败返回 None, 只匹配一个。

findall：在 string 中查找所有 匹配成功的组, 即用括号括起来的部分。返回list对象，每个 list item 是由每个匹配的所有组组成的 list。

1）.*? 是一个固定的搭配，.和 * 代表可以匹配任意无限多个字符，加上 ？表示使用非贪婪模式进行匹配，也就是我们会尽可能短地做匹配

2）(.?) 代表一个分组，如果有5个 (.?) 就说明匹配了五个分组

3） 正则表达式中，“.” 的作用是匹配除 “\n” 以外的任何字符，也就是说，它是在一行中进行匹配。这里的“行”是以 “\n” 进行区分的。HTML标签每行的末尾有一个 “\n”，不过它不可见。 如果不使用 re.S 参数，则只在每一行内进行匹配，如果一行没有，就换下一行重新开始，不会跨行。而使用 re.S 参数以后，正则表达式会将这个字符串作为一个整体，将 “\n” 当做一个普通的字符加入到这个字符串中，在整体中进行匹配。

3.保存数据

数据解析后可以保存到文件或数据库中，这个例子是保存到了文件中，很简单，就不做说明了，在下篇讲如何将数据保存到数据库

https://www.cnblogs.com/sixrain/p/9138442.html

def down_image(url, filename, realName):
   req = urllib2.Request(url=url)
   folder = 'e:\\images\\%s' % realName
   if os.path.isdir(folder):
       pass
   else:
       os.makedirs(folder)

   f = folder + '\\%s.jpg' % filename
   if not os.path.isfile(f):
       print f
       binary_data = urllib2.urlopen(req).read()
       with open(f, 'wb') as temp_file:
           temp_file.write(binary_data)

GitHub 地址，还有其他网站爬虫，欢迎 star：https://github.com/peiniwan/Spider2

转载|作者：六月的雨
原文链接：http://t.cn/EP3lDfc

最新公告通知

第 8 期 【Python自动化运维进阶】正在火热招生中