Python零基础入门二十二之抓取妹子图

这篇博客主要是讲解从煎蛋网抓取妹子图。也算是对之前所学的爬虫的隐藏和代理的一个综合训练。
我们要想抓取一个网页的指定内容，我们首先需要踩点，所谓的踩点就是发现网页之间存在的联系、规律等等，以便实现我们的高效抓取。
首先我们对煎蛋网进行踩点.我们要实现的功能是抓取煎蛋网上10页中的所有图片，因此我们首先要找到页的地址，在去找到页中图片的地址。

我们通过对煎蛋网页面中页和图片进行检查，很容易便发现了页的地址与图片的地址，并且通过切换不同的页，找到了页与页之间的规律。

不同页之间只是页码号不同，其余均相同。踩好点之后我们便开始代码的编写。我们进行模块化编程，使用函数进行编写。

import urllib.requestimport os#用于获得煎蛋网页面的函数def url_open(url):     req=urllib.request.Request(url)     #添加header信息     req.add_header('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36')     response=urllib.request.urlopen(req)     html=response.read()     return html#用于从煎蛋网的网页中获得页面的地址的函数def get_page(url):     #将网页解码为Python能够处理的Unicode编码     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]#用于从煎蛋网的页面中找到图片地址的函数def find_imgs(url):     html=url_open(url).decode('utf-8')     img_addrs=[]     #find函数若找不到要找到的字符串则会返回-1     a=html.find('img src=')     while a!=-1:          #给定.jpg的寻找范围，注意不要太大          b=html.find('.jpg',a,a+100)          #如果顺利找到.jpg,说明找到了完整的图片的地址，则进行保存          if b!=-1:               #对图片进行保存时要格外注意，因为现在使用了泛解析，有的地址不会               #明确给出http的协议名，有的地址有会给出http，               #这对于我们的抓取带来了一定的麻烦，因此我们要分两种情况进行讨论               #这样才不会出现地址错误的异常               if 'http' not in html[a+9:b+4]:                    img_addrs.append('http:'+html[a+9:b+4])               else:                    img_addrs.append(html[a+9:b+4])          else:               #如果找不到.jpg，则应将b+9，因为下一次循环是从这一次结束开始的               #如果不进行这个操作，则b=-1，则无法进行下一次寻找，之所以加9               #是因为img src="正好是9个字节               b=a+9          #继续进行下一次寻找，只有一个参数，表示从这个点开始下一次寻找          a=html.find('img src=',b)     return img_addrs#用于保存图片的函数def save_imgs(folder,img_addrs):     for each in img_addrs:          #[-1]表示从右边数第一个参数               filename=each.split('/')[-1]               f=open(filename,'wb')               img=url_open(each)               f.write(img)def download_mm(folder='OOXX',pages=10):     #在当前的文件夹(python.exe所在的文件)下创建新的文件夹     os.mkdir(folder)     #将目录切换到该文件夹     os.chdir(folder)     url="http://jandan.net/ooxx/"     #这里的地址是一层套着一层     #页面的地址在网页中抓取     #而页面中的图片在在页面的地址下抓取     #注意层层递进的关系     page_num=int(get_page(url))     for i in range(pages):          #使用循环获取10页的内容          page_num-=i          #获取每一页的地址          page_url=url+'page-'+str(page_num)+'#comments'          #在每一页中找到图片          img_addrs=find_imgs(page_url)          #保存图片          save_imgs(folder,img_addrs)if __name__=='__main__':     download_mm()

上述代码中已经有了很详细的解释，我被这个程序卡了一天多的bug，主要原因在于在获得图片的地址时对于http协议头部的处理，一开始都加，结果是有的地址出现了双http，而如果不加上http，则缺少http又不能访问，所以在爬取的时候一定要仔细认真。

最后将抓取的资源放上：

这也是第一个正式的爬虫，还是有点小激动，接下来还是继续加油！