前些天偶然在网上看到了一篇写爬虫的文章，感觉很有趣，所以我打算这段时间学习下用Python写爬虫。之后我会陆续把学习到的内容更新到博客中。我之前看到的文章《python用BeautifulSoup库简单爬虫入门+案例》。
因为文章中的程序目前不能正常执行了，我改写了其中几行代码，使之能正常工作。改写的部分已经在代码中给出，有兴趣可以看下。目前这个程序还是存在问题的，当爬到某个地方时会crash，具体情况我也没有深究，等对Python爬虫机制了解深入后再回来处理。
程序功能：爬取妹子网中的图片
实验环境：Python3.4 、win10
注意：实验前需要将requests、bs4、lxml这些库装好，我之前一篇文章中有Python中安装相关库的方法
# -*- coding: UTF-8 -*-
import requests
from bs4 import BeautifulSoup
import os
#导入所需要的模块
class mzitu():
def all_url(self, url):
html = self.request(url)##
all_a = BeautifulSoup(html.text, 'lxml').find('div', class_='all').find_all('a')[1:]#改动：由于网页中多增加了一个链接，所以需要把第一个链接去掉
for a in all_a:
title = a.get_text()
print('------开始保存：', title)
path = str(title).replace("?", '_') ##替换掉带有的？
self.mkdir(path) ##调用mkdir函数创建文件夹！这儿path代表的是标题title
href = a['href']
self.html(href)
def html(self, href): ##获得图片的页面地址
html = self.request(href)
max_span = BeautifulSoup(html.text, 'lxml').find('div', class_='pagenavi').find_all('span')[-2].get_text()
#这个上面有提到
for page in range(1, int(max_span) + 1):
page_url = href + '/' + str(page)
self.img(page_url) ##调用img函数
def img(self, page_url): ##处理图片页面地址获得图片的实际地址
img_html = self.request(page_url)
img_url = BeautifulSoup(img_html.text, 'lxml').find('div', class_='main-image').find('img')['src']
self.save(img_url)
def save(self, img_url): ##保存图片
name = img_url[-9:-4]
img = self.request(img_url)
f = open(name + '.jpg', 'ab')
f.write(img.content)
f.close()
def mkdir(self, path): ##创建文件夹
path = path.strip()
isExists = os.path.exists(os.path.join("E:\mzitu2", path))
if not isExists:
print('建了一个名字叫做', path, '的文件夹！')
os.makedirs(os.path.join("E:\mzitu2", path))
os.chdir(os.path.join("E:\mzitu2", path)) ##切换到目录
return True
else:
print( path, '文件夹已经存在了！')
return False
def request(self, url): ##这个函数获取网页的response 然后返回
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36',
'referer':'http://www.mzitu.com/all'#改动：由于该网站增加了反爬虫机制，所以我加上referer中的内容
}
content = requests.get(url, headers=headers)
return content
#设置启动函数
def main():
Mzitu = mzitu() ##实例化
Mzitu.all_url('http://www.mzitu.com/all') ##给函数all_url传入参数
main()
import requests
from bs4 import BeautifulSoup
import os
#导入所需要的模块
class mzitu():
def all_url(self, url):
html = self.request(url)##
all_a = BeautifulSoup(html.text, 'lxml').find('div', class_='all').find_all('a')
for a in all_a:
title = a.get_text()
print('------开始保存：', title)
path = str(title).replace("?", '_') ##替换掉带有的？
self.mkdir(path) ##调用mkdir函数创建文件夹！这儿path代表的是标题title
href = a['href']
self.html(href)
def html(self, href): ##获得图片的页面地址
html = self.request(href)
max_span = BeautifulSoup(html.text, 'lxml').find('div', class_='pagenavi').find_all('span')[-2].get_text()
#这个上面有提到
for page in range(1, int(max_span) + 1):
page_url = href + '/' + str(page)
self.img(page_url) ##调用img函数
def img(self, page_url): ##处理图片页面地址获得图片的实际地址
img_html = self.request(page_url)
img_url = BeautifulSoup(img_html.text, 'lxml').find('div', class_='main-image').find('img')['src']
self.save(img_url)
def save(self, img_url): ##保存图片
name = img_url[-9:-4]
img = self.request(img_url)
f = open(name + '.jpg', 'ab')
f.write(img.content)
f.close()
def mkdir(self, path): ##创建文件夹
path = path.strip()
isExists = os.path.exists(os.path.join("E:\mzitu2", path))
if not isExists:
print('建了一个名字叫做', path, '的文件夹！')
os.makedirs(os.path.join("E:\mzitu2", path))
os.chdir(os.path.join("E:\mzitu2", path)) ##切换到目录
return True
else:
print( path, '文件夹已经存在了！')
return False
def request(self, url): ##这个函数获取网页的response 然后返回
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36',
'referer': 'www.mzitu.com/all'
}
content = requests.get(url, headers=headers)
return content
#设置启动函数
def main():
Mzitu = mzitu() ##实例化
Mzitu.all_url('http://www.mzitu.com/all') ##给函数all_url传入参数
main()