亚洲免费在线-亚洲免费在线播放-亚洲免费在线观看-亚洲免费在线观看视频-亚洲免费在线看-亚洲免费在线视频

Python爬蟲初體驗(yàn)(1):利用requests和bs4提取網(wǎng)站漫畫

系統(tǒng) 1837 0

emm……真實(shí)的高三暑假是,整天無事可做 然后找事,于是開始學(xué)習(xí)Python

好的廢話不多說,進(jìn)入正題

由題,作為一名初學(xué)者,想要玩轉(zhuǎn)爬蟲這類玩意還要花很大功夫。

所以我就從簡單的開始:提取XKCD漫畫(網(wǎng)頁簡單,提取方便)

使用 requests 和 bs4 模塊提取網(wǎng)頁內(nèi)容+分析html,然后再存入硬盤內(nèi)


首先,requests 和 bs4 都是 Python 的第三方庫,使用 pip install xxx(xxx 是 requests 和?bs4)安裝它們

requests 庫最主要的方法是 requests.get() ,根據(jù)指定的 url 提取超鏈接指向的內(nèi)容,可以附帶其他的一些參數(shù)來達(dá)到特定的目的

比如,傳入 timeout = 10 可以使得 連接和讀取超時的時間為 10s,超時會報錯

(用法:get(url, params=None, **kwargs),**kwargs為可變參數(shù),包含了timeout等)

這個網(wǎng)站很慢而且不穩(wěn)定,時常有連接不上的問題,為了防止爬蟲卡死,加入了重試的代碼:

            
              import requests, bs4

url = "http://xkcd.com"
downloadCount = 0                        # 下載的圖片文件計(jì)數(shù)

def get_elements(link, tle=10):          # tle:超時時間
    count = 1                            # count:嘗試訪問網(wǎng)頁的次數(shù)
                                         # 訪問成功則返回requests.get()取得的值,超過3次失敗則拋出異常
    while count <= 3:
        try:
            res = requests.get(link, timeout=tle)
            res.raise_for_status()
            return res
        except requests.exceptions.RequestException:
            count += 1
            print("Connection timeout. Retry --> %d in 3 times..." % count)

    raise TimeoutError("Your network is really bad. Please check your Internet and try again later.")
            
          

(其實(shí)可以由 requests 已經(jīng)封裝好的代碼來操作……然而暫時先不這么做)

然后!

就可以用 bs4.BeautifulSoup() 來分析這個網(wǎng)頁的 html 了

馬上找到圖片的鏈接,然后下載這個圖片

            
                  soup = bs4.BeautifulSoup(res.text,features="html.parser")   # 解析html,找到漫畫圖片對應(yīng)的鏈接
    releventContent = soup.select("#comic img")                 # 圖片都在html的這一段之內(nèi)
    picUrl = releventContent[0].get("src")

    print("Downloading picture %d..." % downloadCount)          # 下載圖片
    picResource = get_elements("http:" + picUrl)
            
          

每一張漫畫都有對應(yīng)的編號,存入硬盤時,為了更好區(qū)分,于是寫入文件時就以 編號+漫畫標(biāo)題?的方式寫入

            
                  prevUrl = soup.select("a[rel='prev']")  # prevUrl = '/1234/'  查找圖片編號;格式如左
    prevNum = prevUrl[0].get("href")
    currentNum = 0                                              # 查找到當(dāng)前圖片的編號
    if prevNum == '#':
        currentNum = 1
    else:
        currentNum = int(prevNum.strip('/')) + 1

    print("Writing picture %d..." % downloadCount)              # 文件寫入硬盤
    picFile = open(str(currentNum) + '_' + os.path.basename(picUrl), 'wb')
                                                                # 以 編號+標(biāo)題 的方式命名,二進(jìn)制方式寫入
    for c in picResource.iter_content(100000):                  # 寫入文件
        picFile.write(c)
    picFile.close()
    print("File %d successfully written." % downloadCount)
            
          

最后別忘了調(diào)整 url 為上一幅漫畫的:

            
                  url = "http://xkcd.com" + prevNum                           # 上一幅圖片的url
            
          

于是!整個過程就弄完啦!然后就可以等待它慢慢扒圖……

圖例:

Python爬蟲初體驗(yàn)(1):利用requests和bs4提取網(wǎng)站漫畫_第1張圖片

Python爬蟲初體驗(yàn)(1):利用requests和bs4提取網(wǎng)站漫畫_第2張圖片

Python爬蟲初體驗(yàn)(1):利用requests和bs4提取網(wǎng)站漫畫_第3張圖片

Python爬蟲初體驗(yàn)(1):利用requests和bs4提取網(wǎng)站漫畫_第4張圖片

并不規(guī)范的 源碼:

            
              #! python3
# 爬蟲實(shí)踐1:XKCD Comics
# reversed sequence of comics, from latest to 1st image.

import os
import requests,bs4

os.chdir("g:\\work\\gjmtest\\comics")
os.makedirs("xkcd",exist_ok=True)
os.chdir(".\\xkcd")

url = "http://xkcd.com/"
downloadCount = 0

def get_elements(link, tle=10):
    count = 1
    while count <= 3:
        try:
            res = requests.get(link, timeout=tle)
            res.raise_for_status()
            return res
        except requests.exceptions.RequestException:
            count += 1
            print("Connection timeout. Retry --> %d in 3 times..." % count)
    raise TimeoutError("Your network is really bad. Please check your Internet and try again later.")

while not url.endswith('#'):
    downloadCount += 1                                          # 下載的文件總數(shù)
    if downloadCount > 50:
        break
    print("Analyzing page %d..." % downloadCount)
    res = get_elements(url)

    soup = bs4.BeautifulSoup(res.text,features="html.parser")   # 解析html,找到漫畫圖片對應(yīng)的鏈接
    releventContent = soup.select("#comic img")
    picUrl = releventContent[0].get("src")

    print("Downloading picture %d..." % downloadCount)          # 下載圖片
    picResource = get_elements("http:" + picUrl)

    prevUrl = soup.select("a[rel='prev']")  # prevUrl = '/1234/'  查找圖片編號;格式如左
    prevNum = prevUrl[0].get("href")
    currentNum = 0                                              # 查找到當(dāng)前圖片的編號
    if prevNum == '#':
        currentNum = 1
    else:
        currentNum = int(prevNum.strip('/')) + 1

    print("Writing picture %d..." % downloadCount)              # 文件寫入硬盤
    picFile = open(str(currentNum) + '_' + os.path.basename(picUrl), 'wb')
                                                                # 以 編號+標(biāo)題 的方式命名,二進(jìn)制方式寫入
    for c in picResource.iter_content(100000):                  # 寫入文件
        picFile.write(c)
    picFile.close()
    print("File %d successfully written." % downloadCount)

    url = "http://xkcd.com" + prevNum                           # 上一幅圖片的url

print("Done.")

            
          

?


更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主

微信掃碼或搜索:z360901061

微信掃一掃加我為好友

QQ號聯(lián)系: 360901061

您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點(diǎn)擊下面給點(diǎn)支持吧,站長非常感激您!手機(jī)微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點(diǎn)擊微信右上角掃一掃功能,選擇支付二維碼完成支付。

【本文對您有幫助就好】

您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描上面二維碼支持博主2元、5元、10元、自定義金額等您想捐的金額吧,站長會非常 感謝您的哦!!!

發(fā)表我的評論
最新評論 總共0條評論
主站蜘蛛池模板: 麻豆a | 日本又黄又爽又色的免费视频 | 久久精品国产2020 | 日日射日日干 | 欧美综合一区二区三区 | 久久久国产一区二区三区 | 久久久久久久久网站 | 97天天做天天爱夜夜爽 | 久久99九九99九九99精品 | 日韩毛片免费线上观看 | 91精品成人免费国产 | 亚洲专区欧美 | 玖玖射| 夜色私人影院永久入口 | 亚洲图片综合区另类图片 | 欧美精品日韩一区二区三区 | 国内精品久久久久影院网站 | 精品视频在线观看免费 | 国产日韩欧美中文 | 激情欧美一区二区三区中文字幕 | 国产成人一区二区 | 日本爱情动作片网址 | 无人码一区二区三区视频 | 日本在线观看不卡免费视频 | 天天射天天干天天操 | 天天久久狠狠伊人第一麻豆 | 一区二区中文字幕亚洲精品 | 香蕉在线观看999 | 99免费看| 久久精品在线免费观看 | 成在线人免费视频一区二区三区 | 四虎久久精品国产 | 欧美成一级 | 久草视频官网 | 麻豆视频一区二区 | 99久久精品国产片久人 | 激情综合五月婷婷 | 狠狠综合视频精品播放 | 免费99精品国产自在现线观看 | 香蕉网在线播放 | 欧洲成人在线观看 |