来自 《Python项目案例开发从入门到实战》(清华大学出版社 郑秋生 夏敏捷主编)中爬虫应用——抓取百度图片
本文使用 request 库来爬取某个网站的图片,前面几章博客介绍了如何使用 urllib 库来抓取网页,本文主要使用的是 request 库来抓取网页内容,使用方法基本一致,但 request 方法相对简单一些
爬虫的基本思路别忘了:
1. 指定要抓取的链接然后抓取网站源代码
2. 提取你想要的内容,比如你想要爬取图片信息,可以选择用正则表达式过滤或者使用提取
标签的方法
3. 循环得到的要爬取内容列表,保存文件
这里的代码和本人博客前几章(图片爬虫系列一)的差异在于:
1. 提取网页使用的是 reques 库
2. 保存图片的时候后缀不固定使用 png 或者 jpg,而是使用图片本身的后缀名
3. 保存图片的时候不使用 urllib.request.urlretrieve 函数,而是使用文件的读写操作来保存图片
具体代码如下图所示:
# 使用requests、bs4库下载华侨大学主页上的所有图片import osimport requestsfrom bs4 import BeautifulSoupimport shutilfrom pathlib import Path # 关于文件路径操作的库,这里主要为了得到图片后缀名# 该方法传入url,返回url的html的源代码def getHtmlCode(url): # 伪装请求的头部来隐藏自己 headers = { 'User-Agent': 'MMozilla/5.0(Windows NT 6.1; WOW64; rv:31.0) Gecko/20100101 Firefox/31.0' } # 获取网页 r = requests.get(url, headers=headers) # 指定网页解析的编码格式 r.encoding = 'UTF-8' # 获取url页面的源代码字符串文本 page = r.text return page# 该方法传入html的源代码,通过截取其中的img标签,将图片保存到本机def getImg(page, localPath): # 判断文件夹是否存在,存在则删除,最后都要重新新的文件夹 if os.path.exists(localPath): shutil.rmtree(localPath) os.mkdir(localPath) # 按照Html格式解析页面 soup = BeautifulSoup(page, 'html.parser') # 返回的是一个包含所有img标签的列表 imgList = soup.find_all('img') x = 0 # 循环url列表 for imgUrl in imgList: try: # 得到img标签中的src具体内容 imgUrl_src = imgUrl.get('src') # 排除 src='' 的情况 if imgUrl_src != '': print('正在下载第 %d : %s 张图片' % (x+1, imgUrl_src)) # 判断图片是否是从绝对路径https开始,具体为什么这样操作可以看下图所示 if "https://" not in imgUrl_src: m = 'https://www.hqu.edu.cn/' + imgUrl_src print('正在下载:%s' % m) # 获取图片 ir = requests.get(m) else: ir = requests.get(imgUrl_src) # 设置Path变量,为了使用Pahtlib库中的方法提取后缀名 p = Path(imgUrl_src) # 得到后缀,返回的是如 '.jpg' p_suffix = p.suffix # 用write()方法写入本地文件中,存储的后缀名用原始的后缀名称 open(localPath + str(x) + p_suffix, 'wb').write(ir.content) x = x + 1 except: continueif __name__ == '__main__': # 指定爬取图片链接 url = 'https://www.hqu.edu.cn/index.htm' # 指定存储图片路径 localPath = './img/' # 得到网页源代码 page = getHtmlCode(url) # 保存图片 getImg(page, localPath)
注意,为什么判断图片链接是否从 "https://" 开始主要是因为我们下载图片需要完整的绝对路径,而这个得来需要看原网页代码,选择一张图片,点击 html 所在的代码,鼠标放着,就可以看到绝对路径,然后根据这个绝对路径设置需要添加的缺少部分,如下图所示: