本文共 2347 字,大约阅读时间需要 7 分钟。
申明
本文章仅供学习使用,若读者利用该方法进行违法犯罪活动与本人无关。 爬虫已经开始违法了,所以需要谨慎使用。 以下开始正文首先,import几个需要用到的包
import requests #需要用这个包向百度发送请求import re #需要用这个包进行正则匹配import time #休眠一下,以免给服务器造成太大压力
requests在这里主要作用是向百度发送请求,也就是模仿人类的操作进行访问,有post和get两个方法,在这里我们用get方法就行。
然后,开始向百度发送请求,这里当然需要百度图片的链接,先访问一下百度图片看看链接张什么样。
url栏长这样:http://image.baidu.com/search/index?tn=baiduimage&ps=1&ct=201326592&lm=-1&cl=2&nc=1&ie=utf-8&word=皮卡丘
剔除一些不必要的内容之后,可以长这样
http://image.baidu.com/search/index?tn=baiduimage&word=皮卡丘
不信你可以试试。
然后对url分析一下,前面的http://image.baidu.com/search/index?tn=baiduimage
肯定是固定格式,不能变的,后面的word=皮卡丘
很明显就是我们搜索的关键词。url解决了,接下去向百度发送请求。代码如下:
html = requests.get(url)html.encoding = html.apparent_encoding #这里可以对需要爬取的页面查看一下源码,一般都是utf-8,但是不全是。html = html.text #这里需要获取对应的文本,以便后面进行正则匹配操作接下来的操作,是对源码进行操作,这里最好有一些web前端的知识,不会的话至少要回查看源码(最简单的操作就是在网址栏前面加
view-source
) 首先,在源码页搜一下jpg(百度图片的后缀,先找到图片的链接)
随便抓一个链接出来分析一下:{"ObjURL":"http:\/\/tiebapic.baidu.com\/forum\/pic\/item\/6cad1f30e924b8998595da4079061d950b7bf6b6.jpg","ObjUrl":"http:\/\/tiebapic.baidu.com\/forum\/pic\/item\/6cad1f30e924b8998595da4079061d950b7bf6b6.jpg"
把里面的http:\/\/tiebapic.baidu.com\/forum\/pic\/item\/6cad1f30e924b8998595da4079061d950b7bf6b6.jpg
抓出来,访问一下,发现可以访问。多试几个,发现只有objURL
开头的才能访问,但是objURL
开头的也不一定能访问。不管了,先将所有的以
"ObjURL":"xxxx"
格式的链接全部找出来,这时候就需要利用正则匹配了。代码如下:
urls = re.findall('"objURL":"(.*?)"',html,re.S) #导入的re包就在这里用
要注意,re.findall匹配出来的数据是一个列表,需要用for循环一个个的访问:
i = 0for url in urls: time.sleep(3) #休眠3秒 imag = requests.get(url,timeout = 6).content #timeout代表每次request请求最多6秒,不然万一卡住了呢 if imag: with open(str(i) + '.jpg','wb') as f: print('正在下载第 %d 张图片:%s' % (i + 1,url)) f.write(imag) i += 1 else: print('链接超时,图片下载失败')print('图片下载成功')
一个最最简单的爬虫写好了,但是稍微有一点点错误就会报错,没有所谓的健壮性
,怎么改进爬虫呢,将在下一篇文章进行讲解。
import requestsimport reimport timeurl = 'http://image.baidu.com/search/index?tn=baiduimage&word=皮卡丘'html = requests.get(url)html.encoding = html.apparent_encodinghtml = html.texturls = re.findall('"objURL":"(.*?)"',html,re.S)i = 0for url in urls: time.sleep(3) #休眠3秒 imag = requests.get(url,timeout = 6).content #timeout代表每次request请求最多6秒,不然万一卡住了呢 if imag: with open(str(i) + '.jpg','wb') as f: print('正在下载第 %d 张图片:%s' % (i + 1,url)) f.write(imag) i += 1 else: print('链接超时,图片下载失败')print('图片下载成功')
注意:最后送大家一套2020最新企业Pyhon项目实战视频教程, 进来获取 跟着练习下,希望大家一起进步哦!
转载地址:http://htpbi.baihongyu.com/