Python爬虫-爬取贴吧中每个帖子内的楼主图片

简介: 1.根据输入的关键字筛选贴吧 2.获得贴吧内的帖子,支持分页爬取 3.爬取并下载帖子内仅和楼主相关的图片


# -*- coding:utf-8 -*-

import urllib.request
from lxml import etree


def loadPage(url):
	"""
	 作用:根据url发送请求,获取服务器响应文件
	 url: 需要爬取的url地址
	"""
	# headers = {"User-Agent" : "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"}
	
	request = urllib.request.Request(url)
	html = urllib.request.urlopen(request).read()
	# 解析HTML文档为HTML DOM模型
	content = etree.HTML(html)
	# print content
	# 返回所有匹配成功的列表集合
	link_list = content.xpath('//div[@class="t_con cleafix"]/div/div/div/a/@href')
	
	# link_list = content.xpath('//a[@class="j_th_tit"]/@href')
	for link in link_list:
		fulllink = "http://tieba.baidu.com" + link
		# 组合为每个帖子的链接
		# print link
		loadImage(fulllink)


# 取出每个帖子里的每个图片连接
def loadImage(link):
	headers = {
		"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
	request = urllib.request.Request(link, headers=headers)
	html = urllib.request.urlopen(request).read()
	# 解析
	content = etree.HTML(html)
	# 取出帖子里每层层主发送的图片连接集合
	# link_list = content.xpath('//img[@class="BDE_Image"]/@src')
	# link_list = content.xpath('//div[@class="post_bubble_middle"]')
	link_list = content.xpath('//img[@class="BDE_Image"]/@src')
	# 取出每个图片的连接
	for link in link_list:
		print("link:" + link)
		writeImage(link)


def writeImage(link):
	"""
	 作用:将html内容写入到本地
	 link:图片连接
	"""
	# print "正在保存 " + filename
	headers = {
		"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
	# 文件写入
	request = urllib.request.Request(link, headers=headers)
	# 图片原始数据
	image = urllib.request.urlopen(request).read()
	# 取出连接后10位做为文件名
	filename = link[-10:]
	# 写入到本地磁盘文件内
	with open("/Users/didi/Downloads/crawlertest/" + filename, "wb") as f:
		f.write(image)
	# print("已经成功下载 " + filename)


def tiebaSpider(url, beginPage, endPage):
	"""
	 作用:贴吧爬虫调度器,负责组合处理每个页面的url
	 url : 贴吧url的前部分
	 beginPage : 起始页
	 endPage : 结束页
	"""
	for page in range(beginPage, endPage + 1):
		pn = (page - 1) * 50
		filename = "第" + str(page) + "页.html"
		print(filename)
		fullurl = url + "&pn=" + str(pn)
		print(fullurl)
		loadPage(fullurl)
		# print html
		
		print("下载完成")


if __name__ == "__main__":
	kw = input("请输入需要爬取的贴吧名:")
	beginPage = int(input("请输入起始页:"))
	endPage = int(input("请输入结束页:"))
	
	url = "http://tieba.baidu.com/f?"
	key = urllib.parse.urlencode({"kw": kw})
	fullurl = url + key
	tiebaSpider(fullurl, beginPage, endPage)


目录
相关文章
|
12天前
|
数据采集 存储 API
网络爬虫与数据采集:使用Python自动化获取网页数据
【4月更文挑战第12天】本文介绍了Python网络爬虫的基础知识,包括网络爬虫概念(请求网页、解析、存储数据和处理异常)和Python常用的爬虫库requests(发送HTTP请求)与BeautifulSoup(解析HTML)。通过基本流程示例展示了如何导入库、发送请求、解析网页、提取数据、存储数据及处理异常。还提到了Python爬虫的实际应用,如获取新闻数据和商品信息。
|
16天前
|
数据采集 Python
【python】爬虫-西安医学院-校长信箱
本文以西安医学院-校长信箱为基础来展示爬虫案例。来介绍python爬虫。
【python】爬虫-西安医学院-校长信箱
|
22天前
|
数据采集 安全 Python
python并发编程:Python实现生产者消费者爬虫
python并发编程:Python实现生产者消费者爬虫
24 0
python并发编程:Python实现生产者消费者爬虫
|
2天前
|
数据采集 存储 JSON
Python爬虫面试:requests、BeautifulSoup与Scrapy详解
【4月更文挑战第19天】本文聚焦于Python爬虫面试中的核心库——requests、BeautifulSoup和Scrapy。讲解了它们的常见问题、易错点及应对策略。对于requests,强调了异常处理、代理设置和请求重试;BeautifulSoup部分提到选择器使用、动态内容处理和解析效率优化;而Scrapy则关注项目架构、数据存储和分布式爬虫。通过实例代码,帮助读者深化理解并提升面试表现。
12 0
|
6天前
|
数据采集 JavaScript 前端开发
使用Python打造爬虫程序之破茧而出:Python爬虫遭遇反爬虫机制及应对策略
【4月更文挑战第19天】本文探讨了Python爬虫应对反爬虫机制的策略。常见的反爬虫机制包括User-Agent检测、IP限制、动态加载内容、验证码验证和Cookie跟踪。应对策略包括设置合理User-Agent、使用代理IP、处理动态加载内容、验证码识别及维护Cookie。此外,还提到高级策略如降低请求频率、模拟人类行为、分布式爬虫和学习网站规则。开发者需不断学习新策略,同时遵守规则和法律法规,确保爬虫的稳定性和合法性。
|
6天前
|
机器学习/深度学习 算法 自动驾驶
opencv python 图片叠加
【4月更文挑战第17天】
|
17天前
|
数据采集 存储 前端开发
Python爬虫如何快速入门
写了几篇网络爬虫的博文后,有网友留言问Python爬虫如何入门?今天就来了解一下什么是爬虫,如何快速的上手Python爬虫。
20 0
|
29天前
|
数据采集 存储 Rust
Rust高级爬虫:如何利用Rust抓取精美图片
Rust高级爬虫:如何利用Rust抓取精美图片
|
30天前
|
数据采集 存储 Web App开发
一键实现数据采集和存储:Python爬虫、Pandas和Excel的应用技巧
一键实现数据采集和存储:Python爬虫、Pandas和Excel的应用技巧
|
1月前
|
数据采集 JSON 数据格式
python爬虫之app爬取-charles的使用
charles 基本原理,charles抓包,分析,重发。
53 0