我的第一只Python爬虫
来源:互联网 发布:js获取数组中的值 编辑:程序博客网 时间:2024/05/22 00:39
背景
首先什么是爬虫
网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动的抓取万维网信息的程序或者脚本。
为了拓展视野、接触一些从未接触过的东西(废话),就有了这篇blog 难道你要我说我是闲得蛋疼来搞搞正
咳咳,正题正题
基础知识
- python(废话)
- urllib和urllib2 库的用法
- 正则表达式挂逼一样的利器
大概就是这样了
顺便说一下我用的是python 2.7,系统自带也就懒得装别的了
实现功能?
在贴吧上抓一些图♂片并且保存到本地
话说熟能生巧是tm真的,写一个晚上已经很熟练了
import urllib2import urllibimport redef getHtml(url): headers={'User-Agent':'Mozilla/5.0 (compatible; MSIE 5.5; Windows NT)'}#浏览器认证,大多数网站都需要 request=urllib2.Request(url,headers=headers)#构造一个带认证的网页请求 html=urllib2.urlopen(request) return html.read()#返回扒下来的整个网页内容,也就是“查看源代码”的内容def rollFunc(blocknum, blocksize, totalsize): percent=100.0*blocknum*blocksize/totalsize#计算下载的百分比 if percent>100:#精度处理 percent=100 print "%.2f%%"%percentdef downPic(html,count,path): reg=re.compile(r'src="(.+?\.jpg)" pic_ext="(.+?)"')#字符串的匹配,找到带有src="*.jpg"的项,也就是网页上的图片 piclist=re.findall(reg,html)#找到所有符合我们匹配条件的项,返回值是个list(啊啊啊太好用了会上瘾的) for pic in piclist: fmt=pic[-1][-3]+pic[-1][-2]+pic[-1][-1] if fmt=='peg': fmt='j'+fmt count+=1 print 'downloading '+pic[0] urllib.urlretrieve(pic[0],path+'%s.'%count+fmt,rollFunc)#调用retrieve保存图片,其实别的格式也是可以的,这里只是抓jpg #使用格式urllib.urlretrieve(url,path路径,回调函数) print 'DONE!'count=0url='http://tieba.baidu.com/p/2460150866'path=raw_input('PATH:')html=getHtml(url)downPic(html,count,path)
运行结果截图:
然而图片格式的问题仍然没有解决(如果不是处女座就TM不是问题),先放着吧
最后说一句
headers很重要!
很重要!
很重要!
1 0
- 我的第一只Python爬虫
- 我的第一只Python爬虫
- [python]我的第一只爬虫
- 我的第一只小爬虫
- 爬虫日记(一):我的第一只“爬虫”...
- 第一只python小爬虫
- 我的第一个Python爬虫
- 我的第一个python爬虫脚本
- python第一只爬虫:爬豆瓣top250
- 我写的第一个用Python写的爬虫
- 纪念我的第一个Python爬虫——图片
- 我的第一个小爬虫程序-python
- 我的第一个网页爬虫(python)
- 我的第一条爬虫
- 我的第一个爬虫
- 我的第一个爬虫
- 第一只爬虫---糗事百科
- Python爬虫学习:我的第一个爬虫—爬取贴吧感兴趣帖子的图片(大家都懂,哈哈)
- 用dnlib合并两个dll内的同名类
- Android Dev tool 最全的Android 开具
- SmartUpload组件使用过程中出现的问题
- xdoj1000: a+b
- CentOS7下安装Maven3
- 我的第一只Python爬虫
- CentOS7下安装redis3
- Python正则表达式
- IT-linux-命令--cp的拷贝顺序
- CentOS7下安装Tomcat7
- 一张图看懂Android 9patch图的制作
- C++ 引用规则
- Xshell
- POJ 2104 K-th Number [主席树]