龙空技术网

Python爬虫入门之爬取图片

小菜鸟啦啦 144

前言:

目前同学们对“pythoncss标签定位”都比较重视,你们都需要知道一些“pythoncss标签定位”的相关内容。那么小编在网络上汇集了一些有关“pythoncss标签定位””的相关知识,希望姐妹们能喜欢,咱们快快来了解一下吧!

一、基本概念通用爬虫和聚焦爬虫

通用网络爬虫 是 捜索引擎抓取系统(Baidu、Google、Yahoo等)的重要组成部分。主要目的是将互联网上的网页下载到本地,形成一个互联网内容的镜像备份。

聚焦爬虫,是"面向特定主题需求"的一种网络爬虫程序,它与通用搜索引擎爬虫的区别在于: 聚焦爬虫在实施网页抓取时会对内容进行处理筛选,尽量保证只抓取与需求相关的网页信息。

HTTP和HTTPS请求

(1)url : 浏览器地址栏的地址

(2)请求方法:一般就两种。get请求和post请求

(3)请求头:常用 User-Agent:是客户浏览器的名称

抓包工具

浏览器的检查,常用有两个模块Elements和Network

二、数据请求

主要用的是Python的第三方库requests库,pip install requests 可以安装。

1、最简单的发送get请求就是通过requests.get来调用:(模拟浏览器的get请求)

response = requests.get(";)

2、添加headers和查询参数

 headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"} response = requests.get(";, headers = headers)

3、对响应进行处理

# 查看响应内容,response.content返回的字节流数据response.content# 对字节流数据解码response.content.decode("utf-8")  # 等价于response.textresponse.content.decode("gbk") # 查看响应内容,response.text 返回的是Unicode格式的数据response.text

三、数据提取

1、常用提取方式

常用的有三种提取方式。css选择器、xpath语法、正则表达式。

学习难度前两者相似,最后一个较高;但效率从低到高。

2、xpath和lxml库

(1)lxml库, C 语言实现的,是一款高性能的 Python HTML/XML 解析器,之后可以XPath语法,来快速的定位特定元素以及节点信息

(2)xpath常用语法:

 // 从当前标签下任意位置匹配../ 从当前标签的父级开始匹配./ 从当前标签开始匹配/text() 表示从当前标签下匹配所有文本内容/@name 表示匹配当前标签下的属性的value[] 中括号中可以写过滤的条件(支持and、or语法),也可以写数组下标(从1开始)/div[@class="classname"] 表示匹配当前标签下所有class为classname的div对象/div[contains(@class,"classname")] 表示匹配当前标签下所有class包含classname的div对象
四、保存数据
# 保存图片数据from urllib import requestrequest.urlretrieve(';,'xxx.jpg')
五、爬取彼岸桌面网所有美女图片(1080P高清图)

1、网站截图(177页,每页十几张图片)

2、成果截图

3、最终代码

# 爬取多页import requests  # 用于模拟浏览器发送请求的库from lxml import etree   # 解析响应内容的库,构建树结构,便于xpath语法索引from urllib import request   # 下载图片时用到headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 11_1_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36"}# 此处控制要爬取的页码总数,网站目前共有177页,所以此处最大写178for page in range(1, 11):		# 第一页是这种url:,		# 其他页都是的形式    if page == 1:        page_url = ";    else:        page_url = "; % page    # 网站的charset=“gbk”    html = requests.get(page_url, headers=headers).content.decode("gbk")    # 利用lxml的etree.HTML解析html,构建树结构    tree = etree.HTML(html)    # 利用xpath语法提取当前缩略图下图片的url    data = tree.xpath('//div[@class="list"]')[0]    hrefs = data.xpath('//li/a/@href')  # [/desk/xxxxx.htm,/desk/xxxxx.htm]形式				# 遍历所有的缩略图url    for href in hrefs:        if href.startswith("/desk"):        		# 拼接完整的缩略图url地址            url = "; + href						# 请求缩略图url地址,之后解析得到1080P图片地址            picture_html = requests.get(url, headers = headers).content.decode('gbk')            picture_tree = etree.HTML(picture_html)            # url2 = picture_tree.xpath('//td/a/@href')            url2 = picture_tree.xpath('//div[@class="pic"]//img/@src')[0]												# 定义图片名称,下载图片            filename = url2.split("/")[-1]            request.urlretrieve(url2, filename)
六、总结

1、学完这些你基本掌握了爬虫的基础流程,利用requests库模拟浏览器发送请求,对服务器返回内容进行解码。之后运用lxml库构建解析树,利用xpath语法提取树中的关键信息节点,最后保存到本地。本案例学完后你基本可以爬取绝大部分网站的图片了。

标签: #pythoncss标签定位