首页 > 代码库 > python学习笔记(11)--爬虫下载漫画图片
python学习笔记(11)--爬虫下载漫画图片
说明:
1. 某本子网站爬虫,现在只实现了扒取一页,已经凌晨两点了,又饿又困,先睡觉,明天再写总结吧!
2.
1 import urllib.request 2 import re 3 import os 4 5 # 获取漫画网首页html 6 url = "http://www.yaoqmh.net/shaonvmanhua/list_4_1.html" 7 headers = {‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0‘} 8 req = urllib.request.Request(url=url,headers=headers) 9 response = urllib.request.urlopen(url) 10 html = response.read().decode("utf-8") 11 # 处理一下html,只保留中间的本子,侧边和顶部的本子不要 12 startNum = html.find("mainleft") 13 endNum = html.find("mainright") 14 html = html[startNum:endNum] 15 16 17 # 从html获取本子编号,名字 18 # <a href="http://www.mamicode.com/shaonvmanhua/8389.html" class="pic show" title="里番H少女漫画之發情關係" target="_blank"><span class="bt">里番H少女漫画之發情關係</span> <span class="bg"></span><img class="scrollLoading" src="http://pic.taov5.com/1/615/183-1.jpg" xsrc="http://pic.taov5.com/1/615/183-1.jpg" alt="里番H少女漫画之發情關係" style="background:url(/static/images/loading.gif) no-repeat center;" width="150" height="185"></a> 19 # 20 # <img class="scrollLoading" src="http://pic.taov5.com/1/615/183-1.jpg" xsrc="http://pic.taov5.com/1/615/183-1.jpg" alt="里番H少女漫画之發情關係" style="background:url(/static/images/loading.gif) no-repeat center;" width="150" height="185"> 21 regBookNum = r‘href="http://www.mamicode.com/shaonvmanhua/(/d+)/.html"‘ 22 regName = r‘title="(.+?)"‘ 23 bookNums = re.findall(regBookNum, html) 24 bookNames = re.findall(regName, html) 25 # print(bookNums) 26 # print(bookNames) 27 28 # 打开每个本子网页,获取总页数,第一张图片的网址 29 # <img alt="里番H少女漫画之發情關係" src="http://pic.taov5.com/1/615/143.jpg"> 30 for i in range(len(bookNums)): 31 urlBook = "http://www.yaoqmh.net/shaonvmanhua/"+bookNums[i]+".html" 32 reqBook = urllib.request.Request(url=urlBook,headers=headers) 33 responseBook = urllib.request.urlopen(reqBook) 34 htmlBook = responseBook.read().decode("utf-8") 35 regPageNums = r"共(\d+)页:" 36 regImgStart1 = r"http://pic\.taov5\.com/1/(\d+)/\d+?\.jpg" 37 regImgStart2 = r"http://pic\.taov5\.com/1/\d+?/(\d+?)\.jpg" 38 pageNums = re.findall(regPageNums,htmlBook)#总页数,获得一个二维数组,有两个总页数标签 39 imgStart1 = re.findall(regImgStart1, htmlBook)#图片目录的第一个数字,findall返回一个数组 40 imgStart2 = re.findall(regImgStart2, htmlBook)#图片目录的第二个数字 41 # 每个本子新建文件夹,下载完一个本子要返回上一级目录!!不然会一直新建子文件夹! 42 os.mkdir(bookNames[i])#新建文件夹 43 os.chdir(bookNames[i])#跳转到指定目录 44 #记得后面要返回上级目录!! 45 46 # 开始页码和结束页码 47 rangeMin = int(imgStart2[0]) 48 rangeMax = int(imgStart2[0]) + int(pageNums[0]) 49 pageNums = int(pageNums[0]) 50 # print(rangeMin) 51 # print(rangeMax) 52 # print(type(rangeMin)) 53 # 打开每页,下载保存到这个名字的文件夹里 54 print("正在下载:"+bookNames[i])#给个下载提示本子名 55 for j in range(pageNums): 56 urlImg = "http://pic.taov5.com/1/"+imgStart1[0]+"/"+str(rangeMin+j)+".jpg" 57 reqImg = urllib.request.Request(url=urlImg,headers=headers) 58 responseImg = urllib.request.urlopen(reqImg) 59 img = open(str(j)+".jpg","wb") 60 img.write(responseImg.read()) 61 img.close() 62 print("已下载%d页,共%d页"%(j+1,pageNums))#提示下载几页了,放在后面比较好 63 # os.system("pause") 64 os.chdir(os.path.dirname(os.getcwd()))#返回上级目录 65 # 退出功能,下载哪一页,python按键停止运行
python学习笔记(11)--爬虫下载漫画图片
声明:以上内容来自用户投稿及互联网公开渠道收集整理发布,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任,若内容有误或涉及侵权可进行投诉: 投诉/举报 工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。