标签：font mozilla blog arp log python版本 read ons webkit
python版本：3.0
使用库： import urllib.request #打开网页的库
import os #创建文件夹有关
程序作用：批量爬取煎蛋网上图片
视频链接：链接：http://pan.baidu.com/s/1mhLBwWo 密码：1n51
有一点与视频不同：视频中图片链接为http:打头，实际煎蛋网目前没有http:，会导致无法识别网页类型，不能正确下载，在保存是补上http:即可
基础知识：
1.对于某个网站，网址一般是按顺序编码的比如：http://jandan.net/ooxx/
使用浏览器的审查元素，可以发现网址<a href="http://jandan.net/ooxx/page-2366#comments">
2366 </a>
第一页，第十页，第二十页改变的就是page-后面的数字，改变每次打开网页的这个数字就可以达到刷网页的目的，大家可以依次打开下面的网址，可以发现其规律
http://jandan.net/ooxx/page-2366#comments
http://jandan.net/ooxx/page-2365#comments
http://jandan.net/ooxx/page-2364#comments
2.网页上图片点击，可以发现图片的地址都有如下规律：
http://wx1.sinaimg.cn/mw600/005vbOHfgy1fd1ur0l6lbj31ao1y0nc8.jpg
http://wx1.sinaimg.cn/mw600/005vbOHfgy1fd1ur0l6lbj31ao1y0nc7.jpg
我们可以从一个网页的代码中筛选出这个格式的链接，利用python带的函数下载即可
程序思路：批量获取含有图片的网页，获取网页上包含的图片链接，下载图片
程序框架：
def test1(folder =‘OOXX‘,pages=2): //00XX为文件夹，程序运行时将创建，pages为抓取的网页数
os.mkdir(folder) #创建文件夹
os.chdir(folder)
url="http://jandan.net/ooxx/" //要抓取的网页
page_num=int(get_page(url)) //获取第一个网址
for i in range(pages):
page_num -=i
page_url= url +‘page-‘ +str(page_num) +‘#comments‘ //批量获取网址
img_addrs = find_imgs(page_url) //获取图片链接
save_imgs(folder,img_addrs) //保存图片
if __name__==‘__main__‘:
test1()
完整代码：
import urllib.request #打开网页的库
import os #创建文件夹有关
def url_open(url): #打开网页
req=urllib.request.Request(url) #
req.add_header(‘User-Agent‘,‘Mozilla/5.0 (Windows; U; Windows NT 5.2) AppleWebKit/525.13 (KHTML, like Gecko) Chrome/0.2.149.27 Safari/525.13 ‘) #看起来像浏览器访问
response = urllib.request.urlopen(url)
html = response.read()
print(url)
return html
def get_page(url):
html=url_open(url).decode(‘utf-8‘) #解码
a=html.find(‘current-comment-page‘)+23
b=html.find(‘]‘,a)
return html[a:b]
def find_imgs(url): #寻找图片地址
html=url_open(url).decode(‘utf-8‘)
img_addrs=[]
a=html.find(‘img src=‘)
while a!=-1:
b = html.find(‘.jpg‘,a,a+255) #找不到返回-1，255限定结束范围
if b!=-1: #找到了
img_addrs.append(‘http:‘+html[a+9:b+4]) #列表添加地址 实际地址缺少http:
else:
b=a+9
a=html.find(‘img src=‘,b)
for each in img_addrs:
print(each)
return img_addrs
def save_imgs(folder,img_addrs): #保存图片
for each in img_addrs:
filename = each.split(‘/‘)[-1]
with open(filename,‘wb‘) as f:
img = url_open(each)
f.write(img)
def test1(folder =‘OOXX‘,pages=2):
os.mkdir(folder) #创建文件夹
os.chdir(folder)
url="http://jandan.net/ooxx/"
page_num=int(get_page(url))
for i in range(pages):
page_num -=i
page_url= url +‘page-‘ +str(page_num) +‘#comments‘
img_addrs = find_imgs(page_url)
save_imgs(folder,img_addrs)
if __name__==‘__main__‘:
test1()
标签：font mozilla blog arp log python版本 read ons webkit
原文地址：http://www.cnblogs.com/luoqingyu/p/6441270.html
