首页 > 代码库 > 爬虫下载百度贴吧图片

爬虫下载百度贴吧图片

2024-11-01 22:13:02   207人阅读

在爬取之前需要在浏览器先登录百度贴吧的帐号，各位也可以在代码中使用post提交或者加入cookie

 

爬行地址：http://tieba.baidu.com/f?kw=%E7%BE%8E%E5%A5%B3&ie=utf-8&pn=0

#-*- coding:utf-8 -*-
import urllib2
import re
import requests
from lxml import etree

这些是要导入的库，代码并没有使用正则，使用的是xpath，正则困难的童鞋可以尝试使用下

推荐各位先使用基本库来写，这样可以学习到更多



links=[]　　　　#遍历url的地址
k=1　　　　
print u‘请输入最后的页数：‘
endPage=int(raw_input())　　　　#最终的页数　　(r‘\d+(?=\s*页) 这是一个比较通用的正则抓取总页数的代码，当然最后要group

#这里是手动输入页数，避免内容太多


for j in range(0,endPage):
    url=‘http://tieba.baidu.com/f?kw=%E7%BE%8E%E5%A5%B3&ie=utf-8&pn=‘+str(j)　　　　　　#页数的url地址
    html=urllib2.urlopen(url).read()　　　　　　　　　　　　　　　　#读取首页的内容
    selector=etree.HTML(html)　　　　　　　　　　　　　　#转换为xml，用于在接下来识别
    links=selector.xpath(‘//div/a[@class="j_th_tit"]/@href‘)　　　　　　　　#抓取当前页面的所有帖子的url

技术分享

#大家可以使用浏览器自带的源码查看工具，在指定目标处查看元素，这样更快捷


    for i in links:
        url1="http://tieba.baidu.com"+i　　　　　　#因为爬取到的地址是相对地址，所以要加上百度的domain
        html2=urllib2.urlopen(url1).read()　　　　　　#读取当前页面的内容
        selector=etree.HTML(html2)　　　　　　　　　　#转换为xml用于识别
        link=selector.xpath(‘//img[@class="BDE_Image"]/@src‘)　　　　#抓取图片，各位也可以更换为正则，或者其他你想要的内容

 

#此处就是遍历下载


        for each in link:
            #print each
            print u‘正在下载%d‘%k
            fp=open(‘image/‘+str(k)+‘.bmp‘,‘wb‘)　　　　　　#下载在当前目录下 image文件夹内，图片格式为bmp
            image1=urllib2.urlopen(each).read()　　　　　　　　#读取图片的内容
            fp.write(image1)　　　　　　　　　　　　　　　　　　#写入图片
            fp.close()
            k+=1　　　　#k就是文件的名字，每下载一个文件就加1


print u‘下载完成!‘

 

如果想要爬取其他站点的内容，大家可以参考一下

测试版本python2.7，

参考xpath文档

 

简单了解一下xpath：

XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。

XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上。

因此，对 XPath 的理解是很多高级 XML 应用的基础。

这个是w3c上关于xpath的介绍，可以看出xpath是在xml文档中查询信息的语言

 

在 XPath 中，有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档（根）节点。XML 文档是被作为节点树来对待的。树的根被称为文档节点或者根节点。

根节点在xpath中可以用“//”来啊表示

XPath 使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的。

接下来一个例子

 

<?xml version="1.0" encoding="ISO-8859-1"?>

<bookstore>

<book>
  <title lang="eng">Harry Potter</title>
  <price>29.99</price>
</book>

<book>
  <title lang="eng">Learning XML</title>
  <price>39.95</price>
</book>

</bookstore>

这个是基本的语法（掌握了这些基本都可以抓取到）：

表达式描述
nodename 选取此节点的所有子节点。
/ 从根节点选取。
// 从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
. 选取当前节点。
.. 选取当前节点的父节点。
@ 选取属性。

 

 

实例

在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：

路径表达式结果
bookstore 选取 bookstore 元素的所有子节点。
/bookstore

选取根元素 bookstore。

注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！
bookstore/book 选取属于 bookstore 的子元素的所有 book 元素。
//book 选取所有 book 子元素，而不管它们在文档中的位置。
bookstore//book 选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。
//@lang 选取名为 lang 的所有属性。

谓语（Predicates）

谓语用来查找某个特定的节点或者包含某个指定的值的节点。

谓语被嵌在方括号中。

实例

在下面的表格中，我们列出了带有谓语的一些路径表达式，以及表达式的结果：

路径表达式结果
/bookstore/book[1] 选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()] 选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1] 选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()<3] 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang] 选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang=‘eng‘] 选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00] 选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title 选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

选取未知节点

XPath 通配符可用来选取未知的 XML 元素。

通配符描述
* 匹配任何元素节点。
@* 匹配任何属性节点。
node() 匹配任何类型的节点。

实例

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

路径表达式结果
/bookstore/* 选取 bookstore 元素的所有子元素。
//* 选取文档中的所有元素。
//title[@*] 选取所有带有属性的 title 元素。

选取若干路径

通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

实例

在下面的表格中，我们列出了一些路径表达式，以及这些表达式的结果：

路径表达式结果
//book/title | //book/price 选取 book 元素的所有 title 和 price 元素。
//title | //price 选取文档中的所有 title 和 price 元素。
/bookstore/book/title | //price

选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素。

 

这些就是xpath的语法内容

在运用到python抓取时要先转换为xml

Import lxml 　　　　　　#首先要先导入库

etree.HTML()　　　　#这个就是转换为xml的python的语法，HTML括号内填入目标站点的源码，

爬虫下载百度贴吧图片


联系
我们