今天, 试着爬取了煎蛋网的图片。

用到的包:

urllib.request

os

分别使用几个函数,来控制下载的图片的页数,获取图片的网页,获取网页页数以及保存图片到本地。过程简单清晰明了

直接上源代码:

import urllib.request
import os def url_open(url):
req = urllib.request.Request(url)
req.add_header('user-agent','Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36')
response = urllib.request.urlopen(url)
html = response.read() return html def get_page(url):
html = url_open(url).decode('utf-8') a = html.find('current-comment-page')+23
b = html.find(']',a) return html[a:b] def find_imgs(url):
html = url_open(url).decode('utf-8')
img_addrs = [] a = html.find('img src=') while a != -1:
b = html.find('.jpg',a ,a+255)
if b != -1:
img_addrs.append('https:'+html[a+9:b+4]) # 'img src='为9个偏移 '.jpg'为4个偏移
else:
b = a+9
a = html.find('img src=', b) return img_addrs def save_imgs(folder, img_addrs):
for each in img_addrs:
filename = each.split('/')[-1]
with open(filename, 'wb') as f:
img = url_open(each)
f.write(img)
print(img_addrs) def download_mm(folder = 'xxoo', pages = 5):
os.mkdir(folder)
os.chdir(folder) url = 'http://jandan.net/ooxx/'
page_num = int(get_page(url)) for i in range(pages):
page_num -= i
page_url = url + 'page-'+ str(page_num) + '#comments'
img_addrs = find_imgs(page_url)
save_imgs(folder, img_addrs) if __name__ == '__main__':
download_mm()

其中在主函数download_mm()中,将pages设置在了5面。

本来设置的是10,但是在程序执行的过程中。出现了404ERROR错误

即imgae_url出现了错误。尝试着在save_img()函数中加入了测试代码:print(img_addrs),

想到会不会是因为后面页数的图片,img_url的格式出现了改变,导致404,所以将pages改成5,

再次运行,结果没有问题,图片能正常下载:

仔细观察发现,刚好是在第五面的图片往后,出现了不可下载的问题(404)。 所以在煎蛋网上,我们直接跳到第6面查看图片的url。

上图是后5面的图片url,下图是前5面的图片url

而源代码中,寻找的图片url为使用find()函数,进行定为<img src=‘’> <.jpg>中的图片url,所以后5面出现的a href 无法匹配,即出现了404 ERROR。如果想要下载后续的图片,需要重新添加一个url定位

即在find中将 img src 改成 a href,偏移量也需要更改。

总结:

使用find()来定位网页标签确实太过low,所以以后在爬虫中要尽量使用正则表达式Beautifulsoup包来提高效率,而这两项我还不是特别熟,所以需要更多的训练。

最新文章

  1. html+ccs3太阳系行星运转动画
  2. Repeater嵌套Repeater并取得嵌套Repeater里面的控件
  3. sql 2008 游标
  4. 开源PLM软件Aras详解四 ItemType的概念
  5. 前端框架react研究
  6. 《Java并发编程实战》学习笔记 任务执行和取消关闭
  7. Java中的return
  8. C++中 模板Template的使用
  9. Android 使用split函数进行多个空格分割
  10. 几个外国Delphi Blog网站
  11. ReactNative学习之Html基本标签使用
  12. xls添加 序号列技巧
  13. yum仓库源搭建
  14. (4)HomeAssistant 自动化
  15. hosts学习整理
  16. Huginn及环境搭建
  17. [大数据从入门到放弃系列教程]在IDEA的Java项目里,配置并加入Scala,写出并运行scala的hello world
  18. Python 中的map、reduce函数用法
  19. SQL SERVER 2012/ 2014 分页,用 OFFSET,FETCH NEXT改写ROW_NUMBER的用法(转)
  20. Sr Software Engineer - Big Data Team

热门文章

  1. Python高效编程技巧实战 实战编程+面试典型问题 中高阶程序员过渡
  2. C++ lambda的演化
  3. KafkaProducer源码分析
  4. [币严区块链]数字货币交易所之以太坊(ETH)钱包对接(四) 使用web3j对接以太坊钱包
  5. Winform中将Bitmap对象通过picture显示图片
  6. 如何使用rsync备份
  7. Spring入门(十三):Spring MVC常用注解讲解
  8. 让API实现版本管理的实践
  9. spring boot 整合mybatis 的xml版本【包括逆向工程以及分页插件】
  10. hadoop生态系列