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.requestimport osimport 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_numpage_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