码迷,mamicode.com
首页 > 编程语言 > 详细

我的第一个python爬虫程序

时间:2016-10-21 22:00:44      阅读:281      评论:0      收藏:0      [点我收藏+]

标签:class   页面   源码   程序   ade   开始   parser   log   ted   

程序用来爬取糗事百科上的图片的,程序设有超时功能,具有异常处理能力

下面直接上源码:

#-*-coding:utf-8-*-

‘‘‘
Created on 2016年10月20日

@author: audi
‘‘‘

import urllib2
import re
from bs4 import BeautifulSoup

import sys
reload(sys)
sys.setdefaultencoding(‘utf-8‘)

count = 0
path = "pic/tupian"
headers = {  
           ‘User-Agent‘:‘Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6‘  
        }
for x in range(1,10):
    temp_url = "http://www.qiushibaike.com/imgrank/page/%d"%x
    req = urllib2.Request(  
            url = temp_url,
            headers = headers
            )
    try:
        data = urllib2.urlopen(req,timeout=10).read()
    except:
        print "打开页面链接超时!!!!"
        continue
    else:
        print "打开页面成功,开始解析数据。。"
        soup=BeautifulSoup(data,‘html.parser‘,from_encoding=‘utf-8‘)
#         图片链接的div标签格式
#         <div class="thumb">
#             <a href="/article/117795261" target="_blank">
#                 <img src="http://pic.qiushibaike.com/system/pictures/11779/117795261/medium/app117795261.jpg" alt="我想变成妈妈的眼睛,这样我就可以一直粘在妈妈的身上">
#             </a>
#         </div>  
#         查询所有图片所在的div标签内容
        content = soup.find_all(‘div‘,class_ = ‘thumb‘)   #(jpg|JPG|jpeg) 
#         links集合存放最终的图片的链接
        links = set()
#         再次过滤以获得图片的链接
        for i in content:
            temp_link = i.find_all(‘a‘,href=re.compile(r"/article/\d"))
            temp_linnk = temp_link[0].find(‘img‘,src=re.compile(r"\.(jpg|JPG|jpeg)"))
            temp_linnk = temp_linnk[‘src‘]
            links.add(temp_linnk)
        
        for link in links:
            try:
                picData = urllib2.urlopen(link,timeout=3).read()
            except:
                print "当前子链接打开失败。。"
                continue
            else:
                file_name = path + str(count) + ‘.jpg‘
                count +=1
                f = file(file_name,"wb") 
                f.write(picData)
                f.close()
                print "爬取第" + str(count) + "个链接" + link
                
print "恭喜你,爬取图片结束!!!!!!!!!!!!"
    
    
    
    
    
    
    

  

我的第一个python爬虫程序

标签:class   页面   源码   程序   ade   开始   parser   log   ted   

原文地址:http://www.cnblogs.com/audi-car/p/5986143.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!