Python网络爬虫小试刀——抓取ZOL桌面壁纸图片3
来源:互联网 发布:英雄古达剧情知乎 编辑:程序博客网 时间:2024/05/01 08:48
前篇回顾:下载一个类型集合的全部图片
本篇目标:获得一个集合页面中所有集合中所有的图片
使用urllib2获取已知集合网页页面的HTML代码,首先使用正则表达式获取本页图片集合的url,根据上篇所写戏在图片集合的函数 def getImgAssemble(url, fileName, filePath): 将集合中所有图片下载到指定文件夹,并将文件夹命名为图片集合标题名,然后判断是否还有下一页。如果有的话则进入下一页进行同样的动作,直到最后一页则集合页面所有图片下载完毕。
本篇将使用threading多线程和线程锁使下载并发执行,以增加效率和运行速度。
有关python多线程:
请自行AOL或百度去。。。。
集合页面url = 'http://desk.zol.com.cn/meinv/'
首先建个函数def getImgCatalog(url, filePath):,然后往里面塞我们需要的东西就好咯。先写好基础到,获取已知url的HTML。
代码如下:
73 def getImgCatalog(url, filePath): 74 if not os.path.exists(filePath): 75 os.makedirs(filePath) 76 if not filePath.endswith('/'): 77 filePath += '/' 78 79 user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' 80 headers = {'User-Agent' : user_agent} 81 82 request = urllib2.Request(url, headers=headers) 83 content = urllib2.urlopen(request).read().decode('GBK') 84 85 f = open('url.txt', 'w') 86 f.write(content.encode('utf-8')) 87 f.close() 88 89 print content 90
部分结果如下:
接下来我们可以使用正则表达式从HTML中提取我们需要的信息啦。
根据上篇我们所写下载集合图集的函数def getImgAssemble(url, fileName, filePath):和我们的需求,我们需要获取这些信息:
图片集合的url:使用来作为函数getImgAssemble的url
图片集合title:作为函数getImgAssemble的fileName。
OK,爬出本页全部图片暂时需要这些信息。
获取图片集合的url,HTML代码如下:
获取其中url和title的正则表达式为:
'<li\s+class="photo-list-padding"><a\s+class="pic"\s+href="(.+?)"\s+target=".+?"\s+hidefocus=".+?"><img\s*width=".+?"\s+height=".+?"\s+alt="(.+?)".+?/>'
增加了正则表达式的代码如下:
73 def getImgCatalog(url, filePath): 74 if not os.path.exists(filePath): 75 os.makedirs(filePath) 76 if not filePath.endswith('/'): 77 filePath += '/' 78 79 user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' 80 headers = {'User-Agent' : user_agent} 81 82 request = urllib2.Request(url, headers=headers) 83 content = urllib2.urlopen(request).read().decode('GBK') 84 85 pattern = re.compile('<li\s+class="photo-list-padding"><a\s+class="pic"\s+href="(.+?)"\s+target=".+?"\s+hid efocus=".+?"><img\s*width=".+?"\s+height=".+?"\s+alt="(.+?)".+?/>', \ 86 re.S) 87 imgInfoList = re.findall(pattern, content) 88 89 for item in imgInfoList: 90 sUrl = mUrl + item[0] 91 92 print sUrl 93 print item[1] 94结果如下图:
我们已经得到了我们想要的结果。
然后再将函数getImgAssemble加进去。
我们再加一个显示运行时间的函数在main()里面以计算程序运行上时间:
import datetime
startTime = datetime.datetime.now()
。
。
endTime = datetime.datetime.now()
print (endTime-startTime).seconds
print "count : %d" %count
增加代码如下:
74 def getImgCatalog(url, filePath): 75 if not os.path.exists(filePath): 76 os.makedirs(filePath) 77 if not filePath.endswith('/'): 78 filePath += '/' 79 80 user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' 81 headers = {'User-Agent' : user_agent} 82 83 request = urllib2.Request(url, headers=headers) 84 content = urllib2.urlopen(request).read().decode('GBK') 85 86 pattern = re.compile('<li\s+class="photo-list-padding"><a\s+class="pic"\s+href="(.+?)"\s+target=".+?"\s+hid efocus=".+?"><img\s*width=".+?"\s+height=".+?"\s+alt="(.+?)".+?/>', \ 87 re.S) 88 imgInfoList = re.findall(pattern, content) 89 90 for item in imgInfoList: 91 sUrl = mUrl + item[0] 92 getImgAssemble(sUrl, item[1], filePath) 93main:
95 def main(): 96 startTime = datetime.datetime.now() 97 98 #img save path 99 savePath = os.getcwd()100101 url = 'http://b.zol-img.com.cn/desk/bizhi/image/7/960x600/1450950428732.jpg'102 #img name4103 imgName = 'pic1.jpg'104 #downloadImg(url, imgName, savePath)105106 sUrl = 'http://desk.zol.com.cn/bizhi/6128_75825_2.html'107 fileName = 'meinv'108 #getImgAssemble(sUrl, fileName, savePath)109110 cUrl = 'http://desk.zol.com.cn/meinv/'111 getImgCatalog(cUrl, savePath)112113 endTime = datetime.datetime.now()114 print '\ntotal running time : %d s' %(endTime-startTime).seconds115
结果截图:
时间用了68s,没有比较就不知道这个时间是长还是短。
下面来加个多线程和线程锁,代码如下:
import threading
75 catalogLock = threading.Lock() 76 def getImgCatalog(url, filePath): 77 if not os.path.exists(filePath): 78 os.makedirs(filePath) 79 if not filePath.endswith('/'): 80 filePath += '/' 81 82 user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' 83 headers = {'User-Agent' : user_agent} 84 85 request = urllib2.Request(url, headers=headers) 86 content = urllib2.urlopen(request).read().decode('GBK') 87 88 pattern = re.compile('<li\s+class="photo-list-padding"><a\s+class="pic"\s+href="(.+?)"\s+target=".+?"\s+hidefocus= ".+?"><img\s*width=".+?"\s+height=".+?"\s+alt="(.+?)".+?/>', \ 89 re.S) 90 imgInfoList = re.findall(pattern, content) 91 92 threads = [] 93 for item in imgInfoList: 94 sUrl = mUrl + item[0] 95 96 #add thread 97 if catalogLock.acquire(): 98 t = threading.Thread(target=getImgAssemble, args=(sUrl, item[1], filePath)) 99 t.setDaemon(True)100 threads.append(t)101 catalogLock.release()102103 for i in range(len(threads)):104 threads[i].start()105 for i in range(len(threads)):106 threads[i].join(30)107结果如下截图:
用时15s。可以看出,时间明显减少。
其实中间出了个问题困扰了很久。
有时候跑到中间会假死,然后ctrl+c并不能关闭线程,后来发现join里面加一个timeout就可以了,数值可以随意,但是要设的大一点,因为线程里面下载图片不是按顺序逐个下载的,一个图片可能挂起很长时间才会被下载,而且设置的大小并不影响结果时间,我们只是想把能下载下来的图片全部下载下来就好。
希望有谁能提供解决办法解决假死问题。
接下来判读是否有下一页,有的话获取下一页的url。
有下一个的HTML如下:
最后一页的HTML如下截图:
其实我们只需要判断是否有’id="pageNext"‘就可以判断是否有下一页了。
如果有’id="pageNext"‘,则利用正则表达式‘<a\s+id="pageNext"\s+href="(.+?)"\s*class="next"\s+target=".+?">’获取到下页的url。
整体代码如下:
#/usr/bin/env pythonimport osimport reimport urllibimport urllib2import datetimeimport threadingmUrl = 'http://desk.zol.com.cn'def downloadImg(url, imgName, savePath): if savePath == '': return 'image save path is nil.' if imgName == '': return 'image is nil.' if url == '': return 'url is nil.' if not os.path.exists(savePath): os.makedirs(savePath) if not savePath.endswith('/'): savePath += '/' savePathName = savePath + imgName urllib.urlretrieve(url, savePathName) print urldef getImgAssemble(url, fileName, filePath): if not os.path.exists(filePath): os.makedirs(filePath) if not filePath.endswith('/'): filePath += '/' if not fileName in filePath: filePath += fileName print '******', url user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' headers = {'User-Agent' : user_agent} tmpUrl = url while True: try: request = urllib2.Request(tmpUrl, headers=headers) content = urllib2.urlopen(request).read().decode('GBK') imgUrl = re.search('<img\s+id="bigImg"\s+src="(.+?)"\s*srcs=".+?"\s+width="\d+"\s+height="\d+">', \ content).group(1) imgCount = re.search('<h3><a\s+id="titleName"\s+href=".+?">.+?</a><span>.+?(\d+).+?</span></h3>', \ content).group(1) imgSuffix = re.search('http://.+?\..+?/.+?\.(.+?)$', \ imgUrl).group(1) imgName = fileName + imgCount + '.' + imgSuffix downloadImg(imgUrl, imgName, filePath) nextUrlFlag = re.search('<a\s+id="pageNext"\s+class="next"\s+href="(.+?)"\s+title=".+?">', \ content).group(1) if not "javascript:" in nextUrlFlag: tmpUrl = mUrl + nextUrlFlag continue else: print '\n' break except AttributeError: print 'attributeError' except urllib2.URLError, e: if hasattr(e, 'code'): print e.code if hasattr(e, 'reason'): print e.reasoncatalogLock = threading.Lock()def getImgCatalog(url, filePath): if not os.path.exists(filePath): os.makedirs(filePath) if not filePath.endswith('/'): filePath += '/' user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' headers = {'User-Agent' : user_agent} tmpUrl = url while True: request = urllib2.Request(tmpUrl, headers=headers) content = urllib2.urlopen(request).read().decode('GBK') pattern = re.compile('<li\s+class="photo-list-padding"><a\s+class="pic"\s+href="(.+?)"\s+target=".+?"\s+hidefocus=".+?"><img\s*width=".+?"\s+height=".+?"\s+alt="(.+?)".+?/>', \ re.S) imgInfoList = re.findall(pattern, content) threads = [] for item in imgInfoList: sUrl = mUrl + item[0] #add thread if catalogLock.acquire(): t = threading.Thread(target=getImgAssemble, args=(sUrl, item[1], filePath)) t.setDaemon(True) threads.append(t) catalogLock.release() for i in range(len(threads)): threads[i].start() for i in range(len(threads)): threads[i].join(30) if not 'id="pageNext"' in content: break else: tmpUrl = mUrl + re.search('<a\s+id="pageNext"\s+href="(.+?)"\s*class="next"\s+target=".+?">', \ content).group(1)def main(): startTime = datetime.datetime.now() #img save path savePath = os.getcwd() url = 'http://b.zol-img.com.cn/desk/bizhi/image/7/960x600/1450950428732.jpg' #img name4 imgName = 'pic1.jpg' #downloadImg(url, imgName, savePath) sUrl = 'http://desk.zol.com.cn/bizhi/6128_75825_2.html' fileName = 'meinv' #getImgAssemble(sUrl, fileName, savePath) cUrl = 'http://desk.zol.com.cn/meinv/' cFilePath = savePath+'/meinv' getImgCatalog(cUrl, cFilePath) endTime = datetime.datetime.now() print '\ntotal running time : %d s' %(endTime-startTime).secondsif __name__ == '__main__': main()运行结果如下:
文件总共1.64GB,用时494s,大概3.4Mb/s,网速的话平时迅雷下载会员高速离线下载差不多5Mb/s。
速度来说,还可以吧。
the end
谢谢
下篇预告:获取整个网站所有类型的壁纸
0 0
- Python网络爬虫小试刀——抓取ZOL桌面壁纸图片3
- Python网络爬虫小试刀——抓取ZOL桌面壁纸图片2
- Python网络爬虫小试刀——抓取ZOL桌面壁纸图片1
- Python网络爬虫小试刀——抓取ZOL桌面壁纸图片4
- python网络爬虫抓取图片
- python 网络爬虫抓取图片
- python网络爬虫抓取图片
- python网络爬虫抓取图片
- python网络爬虫抓取图片
- python爬虫——BeautifulSoup 抓取图片
- python网络爬虫,抓取网页图片
- Python爬虫之抓取网络图片
- python网络爬虫(1)--抓取图片
- python爬虫抓取图片
- python小爬虫—抓取pixabay网站的图片资源
- python网络爬虫系列(四) --- 批量抓取并保存图片
- Python网络爬虫(4)煎蛋网妹子图片抓取
- 基于python的网络爬虫---抓取p站图片
- 变态跳台阶
- httpClient post/get请求。
- 五大常用算法之三:贪心算法
- 结构体成员地址在结构体内的偏移
- request用getQueryString()获取参数中文转码问题
- Python网络爬虫小试刀——抓取ZOL桌面壁纸图片3
- Android开发总结笔记 Btimap (下) 3-5
- Qt浅谈之三十八下拉列表框
- Java日志-Slf4J
- center os 安装maven,以及ssh上传文件
- MySQL字符串函数【返回子串位置find_in_set(s1,s2)】
- 五大常用算法之四:回溯法
- Hibernate与mybatis之间的区别
- iOS --NSAttributedString