爬虫入门（一）——静态网页爬取：批量获取高清壁纸

应老师分的方向，昨天开始自学入门爬虫了

虽然实现了一个比较简单的小爬虫，自己还是非常兴奋的，还是第一次实现  真的好开心

本来想爬pexel上的壁纸，然而发现对方的网页不知道设置了什么，反正有反爬虫机制，用python访问直接Fobbiden！真小气qwq

最后还是乖乖去爬zol上的壁纸了

---

Before:

在设计爬虫项目的时候，首先要在脑内明确人工浏览页面获得图片时的步骤

一般地，我们去网上批量打开壁纸的时候一般操作如下：

1、打开壁纸网页

2、单击壁纸图（打开指定壁纸的页面）

3、选择分辨率（我们要下载高清的图）

4、保存图片

实际操作时，我们实现了如下几步网页地址的访问：打开了壁纸的网页→单击壁纸图打开指定页面→选择分辨率，点击后打开最终保存目标图片网页→保存图片

在爬虫的过程中我们就尝试通过模拟浏览器打开网页的操作，一步步获得、访问网页、最后获得目标图片的下载地址，对图片进行下载保存到指定路径中

*这些中间过程中网页的一些具体筛选条件的构造，需要打开指定页面的源代码去观察和寻找包含有目的链接的标签

---

 

具体实现项目与注释

这里我只想获得一些指定的图片，所以我先在网页上搜索“长门有希”，打开了一个搜索结果页面，发现在这个页面上就已经包含了同类型的其他壁纸链接，于是我一开始就把最初访问的目的地址设置为这个搜索结果页面

目标结果页面截图：

 

图中下标为"1/29"."2/29"为其他同类型目标壁纸，通过点击这些图片我们可以打开新的目标下载图片页面

这里我们查看一下网页源代码

 

图中黄色底的地方就是打开这些同类壁纸的目的地址（访问的时候需要加上前缀"http://desk.zol.com.cn"）

 

现在我们可以尝试实现构建爬虫：

打开指定页面→筛选获得所有长门有希壁纸的目标下载页面链接

代码如下：

 1 from urllib import request,error
 2 import re
 3 
 4 url = "http://desk.zol.com.cn/bizhi/561_5496_2.html"
 5 
 6 try:
 7         response = request.urlopen(url)# 打开页面
 8         html = response.read() #此时是byte类型
 9         html = str(html) # 转换成字符串
10 
11         pattern = re.compile(r'.*?')
12         imglist = re.findall(pattern,html) # 匹配标签中的href地址
13         truelist = []
14         for item in imglist:
15             if re.match(r'^\/bizhi\/561_',item): # 观察到所有目的地址下载页面前缀都是/bizhi/561_，通过match函数进行筛选
16                 truelist.append(item)# 筛选掉其他无关的页面（把真的目标页面加到truelist列表中）
17 except error.HTTPError as e:
18         print(e.reason)
19 except error.URLError as e:
20         print(e.reason)
21 except:
22         pass

获得地址以后我们可以通过获取地址→打开指定页面→选择分辨率→获得目的下载地址→保存到本地指定路径中

在测试的时候我输出了一下上一步truelist中保存的内容

可以看到保存的只是一个后缀，在访问的时候我们需要加上一个指定的前缀

实现代码如下（注释见代码）：

 1 # 对于每一张地址，抓取其地址并且下载到本地
 2 x=0
 3 for wallpaperpage in truelist:
 4     try:
 5         # print(wallpaperpage)
 6         url1 = "http://desk.zol.com.cn" + wallpaperpage
 7         response1 = request.urlopen(url1) # 打开壁纸的页面，相当于在浏览器中单击壁纸名
 8         html1 = response1.read()
 9         html1 = str(html1)
10         pattern1 = re.compile(r'.*')
11         urllist = re.findall(pattern1,html1) #匹配标签中的id为1920 * 1080的地址，相当于在浏览器中选择1920*1080分辨率
12         html2 = str(request.urlopen("http://desk.zol.com.cn"+urllist[0]).read()) # 打开网页
13 
14         pattern2 = re.compile(r'')
15         wallpaperurl = re.findall(pattern2,html2) # 用于获取高清图片的地址
16 
17         request.urlretrieve(wallpaperurl[0],"E://walkingbug/chapter1pic/%r.jpg" % x)
18         x+=1
19     except error.HTTPError as e:
20         print(e.reason)
21     except error.URLError as e:
22         print(e.reason)
23     except:
24         pass

 

最后可以在自己的目标文件夹中看到爬下来的图片集~

 

---

 

其他：

对上面代码出现的一些函数作用加以解释：

①request.urlopen(url)：用于获取url网页的源代码内容信息，相当于模仿浏览器打开这个页面

②response.read()：打印出源代码的内容

③pattern = re.compile(r'.*?')：对正则表达式进行预编译

imglist = re.findall(pattern,html)：在html中搜寻有无与pattern内容相匹配的字符串，保存括号内的内容，（黄色底内的内容）

这两段实际上等价于

imglist =  re.findall(r'.*?',html)

其实当匹配次数很高的时候，有无预编译的正则表达式匹配速度会有明显的差距，所以尽可能使用compile()预编译之后再进行正则表达式的匹配

④request.urlretrieve(wallpaperurl[0],"E://walkingbug/chapter1pic/%r.jpg" % x)：用于把目标文件下载保存到指定路径中

 

转载于:https://www.cnblogs.com/AKsnoopy/p/10681490.html