我有一个朋友,喜欢在一个图站看图(xie)片(zhen),光看就算了,他还有收集癖,想把网站的所有图片都下载下来,于是找我帮忙。
本业余玩家经过【好久的】研究,终于实现,写成本教程。本人经济学专业,编程纯属玩票,不足之处请指出,勿喷,谢谢。
本文分两部分:第一部分是基础方法,也就是单线程下爬图片的流程;第二部分是使用了多线程的功能,大大提高了爬取的效率。
本次爬取基于的是BeautifulSoup+urllib/urllib2模块,Python另一个高效的爬虫模块叫Scrapy,但是我至今没研究懂,因此暂时不用。
此次爬取,在输入端仅需要一个初始网址(为避免彼网站找我麻烦,就以URL
代替),以及文件保存路径(为保护我隐私,以PATH
代替),大家在阅读代码时敬请注意。
从该网站下载图片以及文件处理有如下几步:【我要是会画流程图就好了】
1.打开网站首页,获得总页数,获得每个专辑的链接;
2.点进某专辑,获得专辑的标题作为保存的文件夹名,并获得该专辑的页数;
3.获取每个图片的链接
4.下载图片,以网站上图片的文件名保存至本地,同时对应第2步的文件夹。
12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364 | # -*- coding: utf-8 -*-\”\”\”@author: Adam\”\”\” import urllib2, urllib, osfrom bs4 import BeautifulSoup root = PATHurl = URLreq = urllib2.Request(url)content = urllib2.urlopen(req).read()soup = BeautifulSoup(content, \”lxml\”)page = soup.find_all(\’a\’)pagenum1 = page[–3].get_text() #注1 for i in range(0, int(pagenum1) + 1): if i == 0: url1 = URL else: url1 = URL + str(i+1) + \”.html\” #注2 req1 = urllib2.Request(url1) # #print url content1 = urllib2.urlopen(req1).read() soup1 = BeautifulSoup(content1, \”lxml\”) table = soup1.find_all(\’td\’) title = soup1.find_all(\’div\’, class_ = \’title\’) #注3 #print title for j in range(1, 19): folder = title[j–1].get_text() folder = folder.replace(\’\\\\\\\\n\’, \’\’) #注4 curl=table[j].a[\’href\’] #注5 purl = URL+curl #Second Page preq = urllib2.Request(purl) pcontent = urllib2.urlopen(preq).read() psoup = BeautifulSoup(pcontent, \”lxml\”) page2 = psoup.find_all(\’a\’) pagenum2 = page2[–4].get_text() if not os.path.exists(root + folder): os.mkdir(root + folder) else: os.chdir(root + folder) #print folder for t in range(1, int(pagenum2) + 1): if t == 1: purl1 = purl else: purl1 = purl[:–5] + \’-\’ + str(t) + \’.html\’ preq2 = urllib2.Request(purl1) pcontent2 = urllib2.urlopen(preq2).read() psoup2 = BeautifulSoup(pcontent2, \”lxml\”) picbox = psoup2.find_all(\’div\’, class_ = \’pic_box\’) #注6 for k in rangeass=\”crayon-h\”> #注6 for k in range法,也就是单线程下爬图片的流程;第二部分是使用了多线程的功能,大大提高了爬取的效率。
前言本次爬取基于的是BeautifulSoup+urllib/urllib2模块,Python另一个高效的爬虫模块叫Scrapy,但是我至今没研究懂,因此暂时不用。 基础流程说明此次爬取,在输入端仅需要一个初始网址(为避免彼网站找我麻烦,就以 代码和解释
|
下一篇:Python的输入输出