我的Github:   Github

爬虫下载百度贴吧图片

本次爬取的贴吧是百度的美女吧,给广大男同胞们一些激励

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

#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

posted @ 2015-07-13 22:49  寂夜云  阅读(4163)  评论(0编辑  收藏  举报