今天周五，项目刚刚上线完，有些时间，闲着无聊，继续复习爬虫，这次打算爬取网站的美女图片。得先找到目标，然后目标网站还不会反爬虫，因为自己只是小白，好了开始。
寻找目标，发现了目标，哈哈 http://www.meizitu.com
里面图片按专题分类。先看下页面找出相关源码
页面
源码
即只要抓出来图片集的link跟图片集里面的link对应的jpg就可以了， 可以用beautifulsoup或者正则匹配，我这里用正则匹配需要的link。然后遍历整个网站就可以了
请看源码解释
#!bin/python
#-*- coding: UTF-8 -*-
‘‘‘spider美女图
URL: www.meizitu.com
‘‘‘
import re
import string
import urllib, urllib2
import os, sys
import multiprocessing
def getImageUrls(page):
‘‘‘获取模块下的图片link‘‘‘
image_items = {}
url_index = ‘http://www.meizitu.com/a/list_1_%s.html‘ % page
index = r‘<h3 class="tit"><a href="(.*)".*</a></h3>‘#匹配图集的link
prog_pages = r‘<img alt=.*src="(.*)" /><br />‘#匹配图集里面的每一个图片
index_items = re.findall(index, urllib2.urlopen(url_index).read())#找出link
for index, item in enumerate(index_items):
#enumerate遍历列表，参照http://jingyan.baidu.com/article/86fae346b278673c48121a62.html
image_item = re.findall(prog_pages, urllib2.urlopen(item).read())
image_items[index] = image_item
return image_items
def downloadImage(image, store_file):
urllib.urlretrieve(image, store_file, call_back)
def BeginDownload(page):
pool = multiprocessing.Pool(24)
#保存目录
store_dir = r‘d:\img\%s\\‘ %page
image_items = getImageUrls(page)
for index in image_items:
for i, image in enumerate(image_items[index]):
if os.path.exists(store_dir):
store_file = store_dir + str(index) + ‘-‘ + str(i) + ‘.jpg‘
pool.apply_async(downloadImage, (image, store_file))#下载图片
else:
store_file = store_dir + str(index) + ‘-‘ + str(i) + ‘.jpg‘
os.makedirs(store_dir)
pool.apply_async(downloadImage, (image, store_file))
pool.close()
pool.join()
def call_back(a, b, c):
per = 100 * a * b / c
if per < 100:
sys.stdout.write(‘%.2f%%\r‘ % per)
sys.stdout.flush()
else:
print ‘download finish!‘
if __name__ == ‘__main__‘:
print ‘‘‘
*************************************
** Welcome to use Spider **
** Created on 2016-07-15 **
*************************************
‘‘‘
page = raw_input(‘Pleae enter your page to download(1-88 or all): ‘)
if ‘0‘ < page <= ‘88‘:
BeginDownload(page)
print ‘爬取完成!‘
elif page == ‘all‘:
for i in range(1, 89):
BeginDownload(i)
print ‘第%s 页爬取完成!‘ % i
print ‘爬取完成!‘
else:
print ‘Error input!‘
sys.exit(-1)结果
主要是简单的urllib模块的应用，加上循环遍历出所需的url，然后就可以了，一切还在学习中。
本文出自 “IT小愤青” 博客，请务必保留此出处http://slliang.blog.51cto.com/6959776/1826801
原文地址：http://slliang.blog.51cto.com/6959776/1826801
