Python3 爬虫--批量抓取图片

图片的批量抓取是爬虫批处理的典型例子，这里以煎蛋网美女图片为抓取对象，使用Python实现批量获取图片。

批量抓取程序

import urllib.request
import os
import random


# 打开网页
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/45.0.2454.101 Safari/537.36')

    response = urllib.request.urlopen(url)
    html = response.read()

return html


# 找到网页地址
def get_page(url):
    html = url_open(url).decode('utf-8')

    a = html.find('current-comment-page') + 23
    b = html.find(']',a)
print (html[a:b])

return html[a:b]


# 找到图片的地址
def find_imgs(url):
    html = url_open(url).decode('utf-8')
    img_addrs = []

    a = html.find('img src=')

while a != -1:
        b = html.find('.jpg', a , a + 255)
if b != -1:
            img_addrs.append('http:' + html[a+9:b+4])
else:
            b = a + 9
        a = html.find('img src=',b)

return img_addrs


# 保存图片
def save_imgs(folder,img_addrs):
    i = 1
for each in img_addrs:
        img = url_open(each)
# pic_name = str(i) + '.jpg'
        pic_name = each.split('/')[-1]
with open(pic_name,'wb') as f:
            f.write(img)
        i += 1
return i


# 下载图片的主函数
def download_pic(folder = 'mm',pages = 10):
    os.mkdir(folder)
    os.chdir(folder)
    count = 0

    url = 'http://jandan.net/ooxx'
    page_num = int(get_page(url))

for i in range(pages):
        page_num -= i
        page_url = 'http://jandan.net/ooxx/' + 'page-' + str(page_num) + '#comments'

        img_addrs = find_imgs(page_url)
for each in img_addrs:
            print(each)
        count += save_imgs(folder,img_addrs)

    print('总共图片数量：%d' %count)


# 主函数入口
if __name__  ==  '__main__':
    download_pic()

网址的批量生成

写爬虫要根据不同的网站做改变，要观察网站的html结构。以此网址为例，访问首页以及下一页：

这里可以看到网址中的 page-190，根据这个参数可以设置访问不同的网页，即我们平时访问的下一页，上一页。该网站获取不同页面网址（page_url）对应的代码如下：

# 找到网页地址
def get_page(url):
    html = url_open(url).decode('utf-8')

    a = html.find('current-comment-page') + 23
    b = html.find(']',a)
print (html[a:b])

return html[a:b]


url = 'http://jandan.net/ooxx'
# 获取首页 page_num
page_num = int(get_page(url))

# 根据url格式编辑想要访问页面的url 
for i in range(pages):
    page_num -= i
    page_url = 'http://jandan.net/ooxx/' + 'page-' + str(page_num) + '#comments'

    img_addrs = find_imgs(page_url)
for each in img_addrs:
        print(each)

HTML中查找图片的网址

在每张图片上面选择—–查看元素，看对应图片的网址在网页HTML中是什么样子：

可以看到图片对应的标签为：

<img src="//wx1.sinaimg.cn/mw600/9f0e9ec6gy1fhqgkv69k0j20u0190b29.jpg" style="max-width: 480px; max-height: 750px;">

我们需要将 // 到 .jpg的内容截出来，代码如下：

# 找到图片的地址，从a开始，到b结束，如果找到，则添加在img_addrs[]的列表中，
# 其中的 a+9 和 b+4 是计算好的偏移量
def find_imgs(url):
    html = url_open(url).decode('utf-8')
    img_addrs = []

    a = html.find('img src=')

while a != -1:
# 从 a 开始往后查找，查找结束位置为 a+255 ，即一个url的长度
        b = html.find('.jpg', a , a + 255)
if b != -1:
            img_addrs.append('http:' + html[a+9:b+4])
else:
            b = a + 9
        a = html.find('img src=',b)

return img_addrs