会用到的功能的简单介绍
1、from bs4 import BeautifulSoup
#导入库
2、请求头herders
|
1
2
3
4
|
headers={'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36','referer':"www.mmjpg.com" }all_url = 'http://www.mmjpg.com/''User-Agent':请求方式 'referer':从哪个链接跳转进来的 |
3、建立连接
|
1
2
3
4
|
start_html = requests.get(all_url, headers=headers)all_url：起始的地址，也就是访问的第一个页面headers：请求头，告诉服务器是谁来了。requests.get：一个方法能获取all_url的页面内容并且返回内容。 |
4、解析获取的页面
|
1
2
3
4
|
Soup = BeautifulSoup(start_html.text, 'lxml')BeautifulSoup：解析页面lxml：解析器start_html.text：页面的内容 |
5、处理获取的页面
|
1
2
3
4
5
6
7
|
all_a = Soup.find('div', class_='pic').find_all('a')[-2]Soup.find（）查找某一个find_all（）查找所有的，返回一个列表.find('img')['src'] ：获取img的src链接属性 class__:获取目标的类名div/a:类型条件为div/a的[-2]可以用来去掉最后多匹配的标签，这里表示去掉最后两个a标签 |
6、获取目标内容
|
1
2
|
<a href =# >内容</a>a[i]/get_text():获取第i个a标签里面的内容 |
7、可能用到的其他功能介绍：
1、文件夹创建与切换
|
1
2
3
4
|
os.makedirs(os.path.join("E:\name", filename))#在目录E:\name下创建名为filename的文件夹os.chdir("E:\name\\" + filename)#切换工作路径到E:\name\filename下 |
2、文件保存
|
1
2
3
|
f = open(name+'.jpg', 'ab')##写入多媒体文件必须要 b 这个参数！f.write(img.content) ##多媒体文件要是用conctent！f.close() |
案例：爬取妹纸图
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
|
import requestsfrom bs4 import BeautifulSoupimport os#导入所需要的模块class mzitu(): def all_url(self, url): html = self.request(url)## all_a = BeautifulSoup(html.text, 'lxml').find('div', class_='all').find_all('a') for a in all_a: title = a.get_text() print('------开始保存：', title) path = str(title).replace("?", '_') ##替换掉带有的？ self.mkdir(path) ##调用mkdir函数创建文件夹！这儿path代表的是标题title href = a['href'] self.html(href) def html(self, href): ##获得图片的页面地址 html = self.request(href) max_span = BeautifulSoup(html.text, 'lxml').find('div', class_='pagenavi').find_all('span')[-2].get_text() #这个上面有提到 for page in range(1, int(max_span) + 1): page_url = href + '/' + str(page) self.img(page_url) ##调用img函数 def img(self, page_url): ##处理图片页面地址获得图片的实际地址 img_html = self.request(page_url) img_url = BeautifulSoup(img_html.text, 'lxml').find('div', class_='main-image').find('img')['src'] self.save(img_url) def save(self, img_url): ##保存图片 name = img_url[-9:-4] img = self.request(img_url) f = open(name + '.jpg', 'ab') f.write(img.content) f.close() def mkdir(self, path): ##创建文件夹 path = path.strip() isExists = os.path.exists(os.path.join("E:\mzitu2", path)) if not isExists: print('建了一个名字叫做', path, '的文件夹！') os.makedirs(os.path.join("E:\mzitu2", path)) os.chdir(os.path.join("E:\mzitu2", path)) ##切换到目录 return True else: print( path, '文件夹已经存在了！') return False def request(self, url): ##这个函数获取网页的response 然后返回 headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36', 'referer':#伪造一个访问来源 "http://www.mzitu.com/100260/2" } content = requests.get(url, headers=headers) return content#设置启动函数def main(): Mzitu = mzitu() ##实例化 Mzitu.all_url('http://www.mzitu.com/all') ##给函数all_url传入参数 main() |
原文链接：https://segmentfault.com/a/1190000011192866
