您的位置:首页 > 编程语言 > Python开发

python2爬取百度贴吧指定关键字和图片代码实例

2019-10-11 18:07 1201 查看

目的:在百度贴吧输入关键字和要查找的起始结束页,获取帖子里面楼主所发的图片

思路:

  • 获取分页里面的帖子链接列表
  • 获取帖子里面楼主所发的图片链接列表
  • 保存图片到本地

注意事项:

  • 问题:在谷歌浏览器使用xpath helper插件时有匹配结果,但在程序里面使用python内带的xpath匹配却为空的原因。
  • 原因:不同服务器会对不同的浏览器返回不同的数据,导致在谷歌浏览器看到的和服务器返回的有区别
  • 解决方法:使用IE浏览器的User-agenet,而且越老的版本,报错几率相对越小
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import urllib2
import urllib
import os
from lxml import etree
keyword = raw_input('请输入要查询的关键字: ')

keyword = {'kw':keyword}

kw = urllib.urlencode(keyword)

startpage = raw_input('请输入开始页数: ')

endpage = raw_input('请输入结束页数: ')

url = 'https://tieba.baidu.com/f' + '?' + kw

print('开始下载...')
# 计算下载的图片个数,注意:变量n如放在最外层循环,可以统计每个分页图片个数
n = 0
# 获取分页里面帖子链接列表,获取每个帖子里楼主所发的图片链接列表,保存图片
# 获取帖子链接列表
for page in range(int(startpage),int(endpage)+1):
pnumber = {'pn': str((page - 1)*50)}
pnumber = urllib.urlencode(pnumber)
fullurl = url + '&' + pnumber
# 发现使用谷歌浏览器的User-Agent,会导致后面的xpath匹配结果有时为空。原因:服务器会对不同的浏览器发出的同一请求返回不同格式的数据,此时返回的数据和在谷歌浏览器里面看到的数据不同。
# 解决办法:使用IE浏览器的User-Agent,因为IE的相对来说更标准,而且版本越老问题越少。
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; rv:11.0) like Gecko"}
request = urllib2.Request(fullurl,headers=headers)
response = urllib2.urlopen(request)
html = response.read()

# 解析html 为 HTML DOM文档
content = etree.HTML(html)
# xpath使用下面括号内容进行匹配,使用a的属性使用了class='j_th_tit'去过滤广告则匹配结果为空;换成a的属性rel="noreferrer"就解决。为啥换不清楚。思路,这个属性不行换个属性。
# 获取每个分页里面的帖子的链接列表
link_list = content.xpath('//div[@class="threadlist_lz clearfix"]/div/a[@rel="noreferrer"]/@href')
# 获取该帖子楼主所发的图片链接列表
for link in link_list:
link = 'https://tieba.baidu.com' + link
request2 = urllib2.Request(link,headers=headers)
response2 = urllib2.urlopen(request2)
html2 = response2.read()

# 把html字符串解析为html dom
content2 = etree.HTML(html2)

# 使用xpath匹配其里面层主所发的图片的链接
link_list2 = content2.xpath('//img[@class="BDE_Image"]/@src')

# 遍历图片链接列表,保存图片到文件夹images内
for link2 in link_list2:

request3 = urllib2.Request(link2,headers=headers)
response3 = urllib2.urlopen(request3)
html3 = response3.read()
# 指定文件名
filename = link2[-10:]
n += 1
print('正在保存第 %3d 张图片'%n)

# html3为返回的图片内容,把图片写入images2文件夹内
with open('images' + '/' + filename,'wb') as f:
f.write(html3)

print('下载结束!')

以上就是本文的全部内容,希望对大家的学习有所帮助

您可能感兴趣的文章:

内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息