Python网络爬虫小试刀——抓取ZOL桌面壁纸图片3

前篇回顾：下载一个类型集合的全部图片
本篇目标：获得一个集合页面中所有集合中所有的图片

使用urllib2获取已知集合网页页面的HTML代码，首先使用正则表达式获取本页图片集合的url，根据上篇所写戏在图片集合的函数 def getImgAssemble(url, fileName, filePath): 将集合中所有图片下载到指定文件夹，并将文件夹命名为图片集合标题名，然后判断是否还有下一页。如果有的话则进入下一页进行同样的动作，直到最后一页则集合页面所有图片下载完毕。

本篇将使用threading多线程和线程锁使下载并发执行，以增加效率和运行速度。

有关python多线程：

请自行AOL或百度去。。。。

集合页面url ＝ 'http://desk.zol.com.cn/meinv/'

首先建个函数def getImgCatalog(url, filePath):，然后往里面塞我们需要的东西就好咯。先写好基础到，获取已知url的HTML。

代码如下：

 73 def getImgCatalog(url, filePath):
 74     if not os.path.exists(filePath):
 75         os.makedirs(filePath)
 76     if not filePath.endswith('/'):
 77         filePath += '/'
 78
 79     user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
 80     headers = {'User-Agent' : user_agent}
 81
 82     request = urllib2.Request(url, headers=headers)
 83     content = urllib2.urlopen(request).read().decode('GBK')
 84
 85     f = open('url.txt', 'w')
 86     f.write(content.encode('utf-8'))
 87     f.close()
 88
 89     print content
 90

部分结果如下：

接下来我们可以使用正则表达式从HTML中提取我们需要的信息啦。

根据上篇我们所写下载集合图集的函数 def  getImgAssemble(url, fileName, filePath):和我们的需求，我们需要获取这些信息：

图片集合的url：使用来作为函数getImgAssemble的url

图片集合title：作为函数getImgAssemble的fileName。

OK，爬出本页全部图片暂时需要这些信息。

获取图片集合的url，HTML代码如下：

获取其中url和title的正则表达式为：

''

增加了正则表达式的代码如下：

 73 def getImgCatalog(url, filePath):
 74     if not os.path.exists(filePath):
 75         os.makedirs(filePath)
 76     if not filePath.endswith('/'):
 77         filePath += '/'
 78
 79     user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
 80     headers = {'User-Agent' : user_agent}
 81
 82     request = urllib2.Request(url, headers=headers)
 83     content = urllib2.urlopen(request).read().decode('GBK')
 84
 85     pattern = re.compile('', \
 86             re.S)
 87     imgInfoList = re.findall(pattern, content)
 88
 89     for item in imgInfoList:
 90         sUrl = mUrl + item[0]
 91
 92         print sUrl
 93         print item[1]
 94

结果如下图：

我们已经得到了我们想要的结果。

然后再将函数 getImgAssemble加进去。

我们再加一个显示运行时间的函数在main()里面以计算程序运行上时间：

import datetime

startTime = datetime.datetime.now()

。

。

endTime = datetime.datetime.now()

print (endTime-startTime).seconds

print "count : %d" %count

增加代码如下：

 74 def getImgCatalog(url, filePath):
 75     if not os.path.exists(filePath):
 76         os.makedirs(filePath)
 77     if not filePath.endswith('/'):
 78         filePath += '/'
 79
 80     user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
 81     headers = {'User-Agent' : user_agent}
 82
 83     request = urllib2.Request(url, headers=headers)
 84     content = urllib2.urlopen(request).read().decode('GBK')
 85
 86     pattern = re.compile('', \
 87             re.S)
 88     imgInfoList = re.findall(pattern, content)
 89
 90     for item in imgInfoList:
 91         sUrl = mUrl + item[0]
 92         getImgAssemble(sUrl, item[1], filePath)
 93

main：

 95 def main():
 96     startTime = datetime.datetime.now()
 97
 98     #img save path
 99     savePath = os.getcwd()
100
101     url = 'http://b.zol-img.com.cn/desk/bizhi/image/7/960x600/1450950428732.jpg'
102     #img name4
103     imgName = 'pic1.jpg'
104     #downloadImg(url, imgName, savePath)
105
106     sUrl = 'http://desk.zol.com.cn/bizhi/6128_75825_2.html'
107     fileName = 'meinv'
108     #getImgAssemble(sUrl, fileName, savePath)
109
110     cUrl = 'http://desk.zol.com.cn/meinv/'
111     getImgCatalog(cUrl, savePath)
112
113     endTime = datetime.datetime.now()
114     print '\ntotal running time : %d s' %(endTime-startTime).seconds
115

结果截图：

时间用了68s，没有比较就不知道这个时间是长还是短。

下面来加个多线程和线程锁，代码如下：

    import threading

 75 catalogLock = threading.Lock()
 76 def getImgCatalog(url, filePath):
 77     if not os.path.exists(filePath):
 78         os.makedirs(filePath)
 79     if not filePath.endswith('/'):
 80         filePath += '/'
 81
 82     user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
 83     headers = {'User-Agent' : user_agent}
 84
 85     request = urllib2.Request(url, headers=headers)
 86     content = urllib2.urlopen(request).read().decode('GBK')
 87
 88     pattern = re.compile('', \
 89             re.S)
 90     imgInfoList = re.findall(pattern, content)
 91
 92     threads = []
 93     for item in imgInfoList:
 94         sUrl = mUrl + item[0]
 95
 96         #add thread
 97         if catalogLock.acquire():
 98             t = threading.Thread(target=getImgAssemble, args=(sUrl, item[1], filePath))
 99             t.setDaemon(True)
100             threads.append(t)
101             catalogLock.release()
102
103     for i in range(len(threads)):
104         threads[i].start()
105     for i in range(len(threads)):
106         threads[i].join(30)
107

结果如下截图：

用时15s。可以看出，时间明显减少。

其实中间出了个问题困扰了很久。

有时候跑到中间会假死，然后ctrl＋c并不能关闭线程，后来发现join里面加一个timeout就可以了，数值可以随意，但是要设的大一点，因为线程里面下载图片不是按顺序逐个下载的，一个图片可能挂起很长时间才会被下载，而且设置的大小并不影响结果时间，我们只是想把能下载下来的图片全部下载下来就好。

希望有谁能提供解决办法解决假死问题。

接下来判读是否有下一页，有的话获取下一页的url。

有下一个的HTML如下：

最后一页的HTML如下截图：

其实我们只需要判断是否有’id="pageNext"‘就可以判断是否有下一页了。

如果有’id="pageNext"‘，则利用正则表达式‘’获取到下页的url。

整体代码如下：

#/usr/bin/env python

import os
import re
import urllib
import urllib2
import datetime
import threading

mUrl = 'http://desk.zol.com.cn'

def downloadImg(url, imgName, savePath):
    if savePath == '':
        return 'image save path is nil.'
    if imgName == '':
        return 'image is nil.'
    if url == '':
        return 'url is nil.'

    if not os.path.exists(savePath):
        os.makedirs(savePath)
    if not savePath.endswith('/'):
        savePath += '/'

    savePathName = savePath + imgName
    urllib.urlretrieve(url, savePathName)

    print url

def getImgAssemble(url, fileName, filePath):
    if not os.path.exists(filePath):
        os.makedirs(filePath)
    if not filePath.endswith('/'):
        filePath += '/'
    if not fileName in filePath:
        filePath += fileName

    print '******', url
    user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
    headers = {'User-Agent' : user_agent}
    
    tmpUrl = url
    while True:
        try:   
            request = urllib2.Request(tmpUrl, headers=headers)
            content = urllib2.urlopen(request).read().decode('GBK')
            imgUrl = re.search('', \
                    content).group(1)
            imgCount = re.search('
.+?.+?(\d+).+?
', \
                    content).group(1)

            imgSuffix = re.search('http://.+?\..+?/.+?\.(.+?)$', \
                    imgUrl).group(1)
            imgName = fileName + imgCount + '.' + imgSuffix
            downloadImg(imgUrl, imgName, filePath)

            nextUrlFlag = re.search('', \
                    content).group(1)

            if not "javascript:" in nextUrlFlag:
                tmpUrl = mUrl + nextUrlFlag
                continue
            else:
                print '\n'
                break

        except AttributeError:
            print 'attributeError'
        except urllib2.URLError, e:
            if hasattr(e, 'code'):
                print e.code
            if hasattr(e, 'reason'):
                print e.reason

catalogLock = threading.Lock()
def getImgCatalog(url, filePath):
    if not os.path.exists(filePath):
        os.makedirs(filePath)
    if not filePath.endswith('/'):
        filePath += '/'

    user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
    headers = {'User-Agent' : user_agent}
    tmpUrl = url
    while True:
        request = urllib2.Request(tmpUrl, headers=headers)
        content = urllib2.urlopen(request).read().decode('GBK')

        pattern = re.compile('', \
                re.S)
        imgInfoList = re.findall(pattern, content)
    
        threads = []
        for item in imgInfoList:
            sUrl = mUrl + item[0]

            #add thread
            if catalogLock.acquire():
                t = threading.Thread(target=getImgAssemble, args=(sUrl, item[1], filePath))
                t.setDaemon(True)
                threads.append(t)
                catalogLock.release()

        for i in range(len(threads)):
            threads[i].start()
        for i in range(len(threads)):
            threads[i].join(30)

        if not 'id="pageNext"' in content:
            break
        else:
            tmpUrl = mUrl + re.search('', \
                    content).group(1)

def main():
    startTime = datetime.datetime.now()

    #img save path
    savePath = os.getcwd()
    
    url = 'http://b.zol-img.com.cn/desk/bizhi/image/7/960x600/1450950428732.jpg'
    #img name4
    imgName = 'pic1.jpg'
    #downloadImg(url, imgName, savePath)

    sUrl = 'http://desk.zol.com.cn/bizhi/6128_75825_2.html'
    fileName = 'meinv'
    #getImgAssemble(sUrl, fileName, savePath)
    
    cUrl = 'http://desk.zol.com.cn/meinv/'
    cFilePath = savePath+'/meinv'
    getImgCatalog(cUrl, cFilePath)

    endTime = datetime.datetime.now()
    print '\ntotal running time : %d s' %(endTime-startTime).seconds


if __name__ == '__main__':
    main()

运行结果如下 ：

文件总共1.64GB，用时494s，大概3.4Mb/s，网速的话平时迅雷下载会员高速离线下载差不多5Mb/s。

速度来说，还可以吧。

the end

谢谢

下篇预告：获取整个网站所有类型的壁纸