林天宇用python3学习编写网络爬虫(之一)

1、林天宇用Python3学习编写网络爬虫（之一：入门实践）作者：林天宇一、写在前面1、本文适应的读者范围l 会一点点Python的基本语法；l 已经安装好了Python3和PyCharm；l 网络爬虫新手2、本文所使用的开发环境l Mac pro / iOSl Python3l PyCharm3、本文不纠结以下内容l 为什么选择Python3而不是Python2？答：没什么特别原因，个人喜好。l 如何安装Pyhon3？请查阅其他文档。l PyCharm是什么？为什么不用其他工具。一个常用的Python开发工具，个人喜欢，可参阅其他文档。如果你不喜欢，你也可以用其他工具编码和调试。二、快速开始东北人有句话说：能动手，尽量不瞎叨叨。少些废话，快速开干。1、新建项目和文件启动PyCharm，“Create New Project”。因为估计不需要到特别的框架，所以类型就默认地选择了“Pure Python”，名字就起成了“WebSpider”（我瞎命名的，就是觉得Spider比较帅气而已），然后“Create”如下图：新建一个Python文件，命名为Spider001，毕竟也是我的第一只小爬虫

2、嘛。OK，到目前为止，已经新建一个名字叫做Spider001的Python空白文件了。可以在项目等资源管理器中看到WebSpider项目下面，有一个Sider001.py的文件。我们接下来就对这个Sider001.py文件进行编辑和测试。2、第一爬先写代码，感受一下效果，找找成就感，然后再详细分析和思考。代码如下：import urllib.requesturl = http:/data = urllib.request.urlopen(url).read()data = data.decode(UTF-8)print(data)然后，Run，选择Spider001.py，运行结果如下：由上图可以见，运行正常，而且已经将百度的HTML代码获取到了（见运行窗口的第二行HTML代码）。百度心想，我也不知道倒了什么霉，你们爬虫测试的HelloWorld都喜欢拿我测试，无谓增加我压力。那我们再回头来详细看看刚才的代码：#首先引入urllib库的request子库import urllib.request#接着定义一个我们要爬取的变量叫url# 然后将我们要爬去的网址字符串值赋给url# 可怜的

3、百度。url = http:/# 定义一个data变量，用来获取爬过来的字符串# 下面是urllib的吧啦吧啦的用法，没什么好解释的。# 它就是这么用的，记住就好了。# 其中url是变量。data = urllib.request.urlopen(url).read()# 编码，改变编码。 decode方法。data = data.decode(UTF-8)# print打印出来结果。print(data)# 程序结束我们可以得出以下几点初学者的心得：l 用到一个urllib的库。Urllib库及其子库的用法，官方文档如下：https:/docs.python.org/3/library/urllib.html l 其获取url其内容的方法为：urllib.request.urlopen(url地址).read()l 将字符串本身使用decode(编码类型)的方法后，可以重新编码3、美女图片！美女图片！都说美女是推动社会发展的重要因素，对美女的追求，也是推动我们宅男技术水平的重要因素。当年在学校机房里用486电脑DOS环境下，冒着被机房老师抓住的生命危险偷偷看舒淇的图片，确实对我当年的

4、技术水平提升很大。第一爬的过程中，只爬了一串HTML源代码，似乎新鲜劲很快就过去了，真正我们要爬的，是美女图美女图啊！网站美女图片站众多，我本想选择我最喜欢的BeautyLeg作为测试的网站，但是很遗憾，可能这个网站的服务器在其他地区，网络速度很慢，图片质量又高，所以每次运行时间都会比较长，不太适合我们前期作为边调试边学习用。所以暂时放弃，不过，美腿们，不要着急，我调试好后，再来爬去你们。不要着急，等我。在此情况下，我随便百度了一个“美女图库”网站。真是百度的，一点广告费都没给的，美女图库。这个网站也是典型的“三级”结构的网站。所谓“三级”结构（别想歪了），指的是：我们先从最简单的开始，先将目标定在基础，也就是最详细这一级的内容开始爬取。我们先点击网站链接，到达第三级的详细图（文）这一层网页。我们避开了需要登录和收费的会员专区的栏目，选择了“免费下载栏目”进入，具体的网址如下：首页：http:/ urllib.request#估计后续得重用，所以将其写成一个函数def get_img(url,img_name): print(开始读取图片地址： + url) img_info=urll

5、ib.request.urlopen(url).read() # 文件IO操作的办法，语法简单实用，一看就明白，暂时不详细说 with open(img_name,wb) as fp: fp.write(img_info) print(已下载完毕，保存为文件： + img_name) return# 用the_url和the_img_name分别存储这次测试的下载的文件地址以及要保存称为的文件名the_url = http:/ = 1.jpg# 调用下载图片的函数get_img(the_url,the_img_name)运行效果如下：打开程序文件所在的目录，果真1.jpg美女图已经静静地在文件夹下存在了。4、美女图片0.2版！好的，有点感觉了，但是还是不过瘾，看能否一次性把这个2016编号的美女图片集给全部爬下来。我们点开了下面的分页菜单：一页一页看下去，发现其图片的地址果然为：http:/ i=12: #因为i的数据类型是int，不能直接变成字符串，所以采用str函数转换了一下 page_num = str(i) the_url = http:/ the_img_name = pag

6、e_num + .jpg # 调用下载图片的函数 get_img(the_url, the_img_name) i=i+1编写完毕，运行！运行效果如下：貌似一切顺利，怀着激动的心情进入文件夹，果然，12张美女图片都在文件夹里待着了。5、美女图片0.3版似乎总还是感觉缺少点什么，如果我们再把程序做得智能一点点，看是否可以，于是有以下几个想法的改进：l 输入为一个个人专辑的编号；l 系统自动读取该编号下图片的总数；l 系统建立一个为编号等目录，然后把该专辑的图片全部保存到该目录下。于是我们要学习几个技能：1）、正则表达式：目的是要从HTML字符串里，找到“共XX页”字样，读取XX这个信息。2）、文件夹操作：目的是如何建立一个文件夹目录，然后将这个图片好存在这个目录里。于是就有了以下的代码：import urllib.requestimport reimport os# 函数get_img# 功能：获取一个网上的图片，然后保存到本地# 参数：url（图片的网址），img_name(图片的名称)def get_img(url,img_name): print(开始读取图片地址： + url)

7、img_info=urllib.request.urlopen(url).read() # 文件IO操作的办法，语法简单实用，一看就明白，暂时不详细说 with open(img_name,wb) as fp: fp.write(img_info) print(已下载完毕，保存为文件： + img_name) return# 需要爬取的专辑的参数编号this_f_num = 305#获取该专辑第一页的页面信息，然后采取正则的方式，获取其中共多少页f_html = urllib.request.urlopen(http:/ %this_f_num).read().decode(gbk)regex = r共(.*?)页pa = pile(regex)# 由于获取的是一个数组格式，但只有一个数字，于是将其读取出来。iMax = int(re.findall(pa,f_html)0)# 建立一个目录this_f_now = os.getcwd()f_path = this_f_now + / + str(this_f_num) +/if os.path.isdir(f_path)=False: os.mkdir(str(this_f_num)# 进入循环下载i=1while i=iMax: #因为i的数据类型是int，不能直接变成字符串，所以采用str函数转换了一下 page_num = str(i) the_url = http:/ str(this_f_num) + / +page_num+

《林天宇用python3学习编写网络爬虫(之一)》由会员小**分享，可在线阅读，更多相关《林天宇用python3学习编写网络爬虫(之一)》请在金锄头文库上搜索。