爬虫思路
一、确定要爬取的页面——确定目标
1.打开含有图片的网页
2.打开页面代码：右键——>查看源代码
二、分析网页内容
1.url路径格式
2.数据格式(常见 html文档 格式)
3.网页数据编码格式(常见 utf-8)
三、代码实现、运行、修改
代码实现
一、请求网页(网页地址 url)
1.导入网络请求库：import requests
2.请求网页地址：response = requests.get(url)
3.检查是否请求成功(两种方法)：
- 打印输出网页的所有数据：print(response.text)
- 打印 返回 请求状态码：print(response.raise_for_satus())——None表示请求成功
二、解析文档树
1.导入Beautiful Soup库：import bs4
- Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库，解析分析网页数据，提取想要的数据
- html_parser：bs4自带的解析器
- lxml：需要下载安装的解析器
2.遍历文档树，解析搜索数据：soup = bs4.BeautifulSoup(response.text,'html_parser')
3.找到要爬取的数据节点(图片节点)：image_urls = soup.select(".image-list-link img")
4.判断当前节点下是否有图片；如果有，提取所有‘src’，所有图片存储路径download_url ：
- if not image_url in image_urls
print("当前节点下，没图片！")
- else
for image_url in image_urls:
download_url = image_url.get('src')
print("下载图片的路径：", download_url)
三、存储爬取的数据
1.导入处理文档的库：import os
2.找到分割点，剔除路径，提取图片名称 file_name
split = download_url.split('/')
file_name = os.path.basename(split[len(split)-1])
print("元素：", file_name)
3.构建本地保存，存储图片的文件夹 image
dir_name = 'image'
os.makedirs(dir_name,exist_ok=True)
4.返回完整的文件本地存储路径 file_path
file_path = os.path.join(dir_name, file_name)
print("file_path:",file_path)
5.检查当前图片路径是否存在，不存在就请求网上图片的地址，并将图片存储到本地路径中
if not os.path.exists(file_path):
image_url_path = requests.get("https:" + download_url)
6.检查当前网址是否请求成功，两种方法：1.print，输出<Response [200]>表示请求成功；2.status状态码，输出None
print("请求", image_url_path)
image_url_path.raise_for_status()
7.打开文件夹中的文件(file_path);"wb"二进制读写模式
image_file = open(file_path,"wb")
8.存储每一张图片,获取网页中N个值(随意指定要获取的数目N,这里N=1000)
for images in image_url_path.iter_content(1000):
9.把每次遍历的文件，全部写入文件中
image_file.write(images)
10.io流，在用完数据后，关闭数据流资源
image_file.close()
