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
|
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
|
#-*- coding:utf-8 -*-import urllib2import reimport requestsfrom 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1print 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
