专题07-python使用urllib.request爬取图片
笔者是一个痴迷于挖掘数据中的价值的学习人，希望在平日的工作学习中，挖掘数据的价值，找寻数据的秘密，笔者认为，数据的价值不仅仅只体现在企业中，个人也可以体会到数据的魅力，用技术力量探索行为密码，让大数据助跑每一个人，欢迎直筒们关注我的公众号，大家一起讨论数据中的那些有趣的事情。
我的公众号为：livandata
python在爬虫方面的应用非常灵活，几乎可以解决大部分数据获取问题，笔者在之前也整理过几篇爬虫方面的博文：
1、基础结构：
https://blog.csdn.net/livan1234/article/details/80850555
2、scrapy框架：
https://blog.csdn.net/livan1234/article/details/80850926
3、cookie模拟登陆：
https://blog.csdn.net/livan1234/article/details/80850966
4、手机app爬取：
https://blog.csdn.net/livan1234/article/details/80850978
5、使用PhantomJS爬取
https://blog.csdn.net/livan1234/article/details/80851135
近期在整理图片和文字爬取时，遇到一些有意思的内容，也作为一个实践汇总，供大家参考：
（一）在图片爬取过程中经常会遇到“反盗链”问题，即请求资源时需要先加入一些请求头或者参数，即headers和data，
如图即为“开发者工具”中看到的request header，“反盗链”的解决方案就是找到request header中哪些字段需要添加到代码的请求头中。
常用的方法有两个，见下面的代码：
#!/usr/bin/env python
# _*_ UTF-8 _*_
import urllib.request
import ssl
import requests
from urllib import request, parse
ssl._create_default_https_context = ssl._create_unverified_context
# 获取网页的内容
def url_open(url):
req = urllib.request.Request(url)
req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.65 Safari/537.36')
req.add_header('Referer', 'XXXXXXMMMMMMMMMMMMMMM')
response = urllib.request.urlopen(req, data=None)
html = response.read()
return html
def pic_open(url):
headers = {
"User-Agent": 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.65 Safari/537.36',
# "host": 'www.eeeeee.com',
"Referer": 'XXXXXXMMMMMMMMMMMMMMM'
}
# dict = {
# "name": "Germey"
# }
# data = bytes(parse.urlencode(dict), encoding="utf8")
req = request.Request(url=url, data=None, headers=headers, method="GET")
response = request.urlopen(req)
pic = response.read()
return pic
pic_url = 'https://VvVVVVVVXXXX.jpg'
with open('pic_.jpg', 'wb') as f:
img = url_open(pic_url)
print(img)
f.write(img)
f.close()上面为常见的图片下载器。
（二）小说下载，有些连载的小说由于存在广告，使阅读的效用较小，因此需要将小说下载下来，此时，爬虫就是一个很好的选择，见代码：
#!/usr/bin/env python
# _*_ UTF-8 _*_
import urllib.request
from lxml import etree
import ssl
import time
ssl._create_default_https_context = ssl._create_unverified_context
url_total = []
context2 = ''
for i in range(1,2925):
print("i"+str(i))
ll = [1,2]
for j in range(2):
print("j"+str(j))
url = 'http://m.dianxs.com/book/50856/'+str(i)+'_'+str(ll[j])+'.html'
response = urllib.request.urlopen(url)
html = response.read()
html2 = etree.HTML(html)
context = html2.xpath('//*[@id="article_content_setting"]/div/div//text()')
title = html2.xpath('//*[@id="article_content_setting"]/div/h1/text()')
context2 = str(title)+str(ll[j])
for t in range(len(context)):
context2 = context2 + str(context[t])+"\n"
print(i)
time.sleep(1)
with open("novel/shenlang"+str(i)+'_'+str(ll[j])+".txt","a+") as f:
f.write(context2)两个代码为近期实践的结果，亲测有效，如有问题，欢迎沟通。
在编写过程中遇到一个很好玩的小知识点：
创建文件夹时，如果是二级文件夹，且需要将路径定位到第二级文件夹，数据存储完成后再返回到第一级文件夹，然后重新构建二级文件夹时，直接使用chdir（）是会报错的，需要先跳转到上一级，然后再chdir（）才能够实现。
#!/usr/bin/env python
# _*_ UTF-8 _*_
import os
folders = 'OOXX/TTT'
os.makedirs(folders)
os.chdir(folders)
sss = os.path.abspath(os.path.join(os.path.dirname(folders), os.path.pardir))
ttt = os.path.abspath(os.path.join(os.path.dirname(sss), os.path.pardir))
os.chdir(ttt)
folder1 = 'OOXX/EEE'
os.makedirs(folder1)
os.chdir(folder1)揣测应该是chdir只支持向下遍历改变路径，不支持向上遍历改变路径，所以需要用abspath（）与pardir（）两个方法
参考文献：
https://blog.csdn.net/hz_zdeveloper/article/details/70172898