Python爬虫实战：抓取淘宝MM照片

本篇目标

1.抓取淘宝MM的姓名，头像，年龄

2.抓取每一个MM的资料简介以及写真图片

3.把每一个MM的写真图片按照文件夹保存到本地

4.熟悉文件保存的过程

1.URL的格式

在这里我们用到的URL是 http://mm.taobao.com/json/request_top_list.htm?page=1，问号前面是基地址，后面的参数page是代表第几页，可以随意更换地址。点击开之后，会发现有一些淘宝MM的简介，并附有超链接链接到个人详情页面。

我们需要抓取本页面的头像地址，MM姓名，MM年龄，MM居住地，以及MM的个人详情页面地址。

2.抓取简要信息

相信大家经过上几次的实战，对抓取和提取页面的地址已经非常熟悉了，这里没有什么难度了，我们首先抓取本页面的MM详情页面地址，姓名，年龄等等的信息打印出来，直接贴代码如下

Python

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

__author__ = 'CQC' # -*- coding:utf-8 -*-   import urllib import urllib2 import re   class Spider:       def __init__(self):         self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'       def getPage(self,pageIndex):         url = self.siteURL + "?page=" + str(pageIndex)         print url         request = urllib2.Request(url)         response = urllib2.urlopen(request)         return response.read().decode('gbk')       def getContents(self,pageIndex):         page = self.getPage(pageIndex)         pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)         items = re.findall(pattern,page)         for item in items:             print item[0],item[1],item[2],item[3],item[4]   spider = Spider() spider.getContents(1)

运行结果如下

2.文件写入简介

在这里，我们有写入图片和写入文本两种方式

1）写入图片

Python

1 2 3 4 5 6 7

运行结果如下   QQ截图20150220234132 2.文件写入简介   在这里，我们有写入图片和写入文本两种方式 1）写入图片

2）写入文本

Python

1 2 3 4 5

def saveBrief(self,content,name):     fileName = name + "/" + name + ".txt"     f = open(fileName,"w+")     print u"正在偷偷保存她的个人信息为",fileName     f.write(content.encode('utf-8'))

3）创建新目录

Python

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

#创建新目录 defmkdir(self,path):     path=path.strip()     # 判断路径是否存在     # 存在     True     # 不存在   False     isExists=os.path.exists(path)     # 判断结果     ifnotisExists:         # 如果不存在则创建目录         # 创建目录操作函数         os.makedirs(path)         returnTrue     else:         # 如果目录存在则不创建，并提示目录已存在         returnFalse

3.代码完善

主要的知识点已经在前面都涉及到了，如果大家前面的章节都已经看了，完成这个爬虫不在话下，具体的详情在此不再赘述，直接帖代码啦。

Python

1

spider.py

Python

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 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144

__author__='CQC' # -*- coding:utf-8 -*-   importurllib importurllib2 importre importtool importos   #抓取MM classSpider:       #页面初始化     def__init__(self):         self.siteURL='http://mm.taobao.com/json/request_top_list.htm'         self.tool=tool.Tool()       #获取索引页面的内容     defgetPage(self,pageIndex):         url=self.siteURL+"?page="+str(pageIndex)         request=urllib2.Request(url)         response=urllib2.urlopen(request)         returnresponse.read().decode('gbk')       #获取索引界面所有MM的信息，list格式     defgetContents(self,pageIndex):         page=self.getPage(pageIndex)         pattern=re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)         items=re.findall(pattern,page)         contents=[]         foriteminitems:             contents.append([item[0],item[1],item[2],item[3],item[4]])         returncontents       #获取MM个人详情页面     defgetDetailPage(self,infoURL):         response=urllib2.urlopen(infoURL)         returnresponse.read().decode('gbk')       #获取个人文字简介     defgetBrief(self,page):         pattern=re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)         result=re.search(pattern,page)         returnself.tool.replace(result.group(1))       #获取页面所有图片     defgetAllImg(self,page):         pattern=re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)         #个人信息页面所有代码         content=re.search(pattern,page)         #从代码中提取图片         patternImg=re.compile('<img.*?src="(.*?)"',re.S)         images=re.findall(patternImg,content.group(1))         returnimages       #保存多张写真图片     defsaveImgs(self,images,name):         number=1         printu"发现",name,u"共有",len(images),u"张照片"         forimageURLinimages:             splitPath=imageURL.split('.')             fTail=splitPath.pop()             iflen(fTail)>3:                 fTail="jpg"             fileName=name+"/"+str(number)+"."+fTail             self.saveImg(imageURL,fileName)             number+=1       # 保存头像     defsaveIcon(self,iconURL,name):         splitPath=iconURL.split('.')         fTail=splitPath.pop()         fileName=name+"/icon."+fTail         self.saveImg(iconURL,fileName)       #保存个人简介     defsaveBrief(self,content,name):         fileName=name+"/"+name+".txt"         f=open(fileName,"w+")         printu"正在偷偷保存她的个人信息为",fileName         f.write(content.encode('utf-8'))       #传入图片地址，文件名，保存单张图片     defsaveImg(self,imageURL,fileName):         u=urllib.urlopen(imageURL)         data=u.read()         f=open(fileName,'wb')         f.write(data)         printu"正在悄悄保存她的一张图片为",fileName         f.close()       #创建新目录     defmkdir(self,path):         path=path.strip()         # 判断路径是否存在         # 存在     True         # 不存在   False         isExists=os.path.exists(path)         # 判断结果         ifnotisExists:             # 如果不存在则创建目录             printu"偷偷新建了名字叫做",path,u'的文件夹'             # 创建目录操作函数             os.makedirs(path)             returnTrue         else:             # 如果目录存在则不创建，并提示目录已存在             printu"名为",path,'的文件夹已经创建成功'             returnFalse       #将一页淘宝MM的信息保存起来     defsavePageInfo(self,pageIndex):         #获取第一页淘宝MM列表         contents=self.getContents(pageIndex)         foritemincontents:             #item[0]个人详情URL,item[1]头像URL,item[2]姓名,item[3]年龄,item[4]居住地             printu"发现一位模特,名字叫",item[2],u"芳龄",item[3],u",她在",item[4]             printu"正在偷偷地保存",item[2],"的信息"             printu"又意外地发现她的个人地址是",item[0]             #个人详情页面的URL             detailURL=item[0]             #得到个人详情页面代码             detailPage=self.getDetailPage(detailURL)             #获取个人简介             brief=self.getBrief(detailPage)             #获取所有图片列表             images=self.getAllImg(detailPage)             self.mkdir(item[2])             #保存个人简介             self.saveBrief(brief,item[2])             #保存头像             self.saveIcon(item[1],item[2])             #保存图片             self.saveImgs(images,item[2])       #传入起止页码，获取MM图片     defsavePagesInfo(self,start,end):         foriinrange(start,end+1):             printu"正在偷偷寻找第",i,u"个地方，看看MM们在不在"             self.savePageInfo(i)   #传入起止页码即可，在此传入了2,10,表示抓取第2到10页的MM spider=Spider() spider.savePagesInfo(2,10)

Python

1

tool.py

Python

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

__author__='CQC' #-*- coding:utf-8 -*- importre   #处理页面标签类 classTool:     #去除img标签,1-7位空格,     removeImg=re.compile('<img.*?>| {1,7}| ')     #删除超链接标签     removeAddr=re.compile('<a.*?>|</a>')     #把换行的标签换为\n     replaceLine=re.compile('<tr>|<div>|</div>|</p>')     #将表格制表<td>替换为\t     replaceTD=re.compile('<td>')     #将换行符或双换行符替换为\n     replaceBR=re.compile('<br><br>|<br>')     #将其余标签剔除     removeExtraTag=re.compile('<.*?>')     #将多行空行删除     removeNoneLine=re.compile('\n+')     defreplace(self,x):         x=re.sub(self.removeImg,"",x)         x=re.sub(self.removeAddr,"",x)         x=re.sub(self.replaceLine,"\n",x)         x=re.sub(self.replaceTD,"\t",x)         x=re.sub(self.replaceBR,"\n",x)         x=re.sub(self.removeExtraTag,"",x)         x=re.sub(self.removeNoneLine,"\n",x)         #strip()将前后多余内容删除         returnx.strip()

以上两个文件就是所有的代码内容，运行一下试试看，那叫一个酸爽

 

看看文件夹里面有什么变化