#!/usr/bin/env python # -*- coding:utf-8 -*- import requests import re import os #需求:爬取糗事百科中糗图板块下所有的糗图图片 if __name__ == "__main__": headers = { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36' } #创建一个文件夹,保存所有的图片 if not os.path.exists('./qiutuLibs'): os.mkdir('./qiutuLibs') #设置一个通用的url模板 url = 'https://www.qiushibaike.com/pic/page/%d/?s=5184961' # pageNum = 2 for pageNum in range(1,3): #对应页码的url new_url = format(url%pageNum) #使用通用爬虫对url对应的一整张页面进行爬取 page_text = requests.get(url=new_url,headers=headers).text #使用聚焦爬虫将页面中所有的糗图进行解析/提取 ex = '<div class="thumb">.*?<img src="(.*?)" alt.*?</div>' img_src_list = re.findall(ex,page_text,re.S) # print(img_src_list) for src in img_src_list: #拼接出一个完整的图片url src = 'https:'+src #请求到了图片的二进制数据 img_data = requests.get(url=src,headers=headers).content #生成图片名称 img_name = src.split('/')[-1] #图片存储的路径 imgPath = './qiutuLibs/'+img_name with open(imgPath,'wb') as fp: fp.write(img_data) print(img_name,'下载成功!!!')
正则解析-分页爬取
爬虫解析数据的方法有很多种,我们需要根据不同的格式选择相应的解析方法。
其中,正则表达式是相对通用的一种方法。
