标签：编码 简单的 主题 html 列表 nts 进制 nis except
1.目标网址：http://dianying.2345.com/top/
需要找到的信息：电影的名字，主演，简介，和标题图片
2.查看页面结构：
容易看到，需要的主题部分，都被包裹在‘<ul>“列表标签里，
那么简单的用bs4库找到 "<ul>" tag并迭代取出每一条“<li>”tag,
最后再从每个<li>标签里找到需要的信息即可。
3.图片下载：
在电影排行榜爬虫当中，有一项目标是：爬取每个电影的标题图，
那么如何以文本的形式爬下来呢?
在计算机的世界里，一切的数据归根到底都是以“0”和“1”的二进制形式存在的。
图片自然也不例外，任何一张图片，都是以“字节流 ”的形式，
通过了一定的编码方式，被计算机排列组合，从而显示成我们肉眼所看到的图片。
那么只要把图片数据从网上下载下来，然后再以二进制的格式写入到本地即可。
给出一个图片下载的通用代码片段：
import requests def get_pic_from_url(url): #从url以二进制的格式下载图片数据 pic_content = requests.get(url,stream=True).content open(‘filename‘,‘wb‘).write(pic_content)
4.完整代码
import requests from bs4 import BeautifulSoup def get_html(url): try: r = requests.get(url,timeout = 30) r.raise_for_status r.encoding = ‘gb2312‘ return r.text except: return ‘error‘ def get_content(url): html = get_html(url) soup = BeautifulSoup(html,‘lxml‘) # 找到电影排行榜的ul列表 movie_list = soup.find(‘ul‘,class_=‘picList clearfix‘) movies = movie_list.find_all(‘li‘) for movie in movies: # 找到图片链接,电影名称 img_url = movie.find(‘img‘)[‘src‘] name = movie.find(‘span‘,class_=‘sTit‘).text #这里做一个异常捕获，防止没有上映时间 try: time = movie.find(‘span‘,class_=‘sIntro‘).text except: time = ‘暂无上映时间‘ # 迭代找出“pACtor”的所有子孙节点，解决每一位演员的名字分割问题 try: actors = movie.find(‘p‘,class_=‘pActor‘).contents actor = ‘‘ for act in actors: actor = actor + act.string + ‘ ‘ except: actor = ‘暂无主演‘ # 找到影片简介 intro = movie.find(‘p‘,class_=‘pTxt pIntroShow‘).text print("片名：{}\t{}\n{}\n{} \n \n".format(name,time,actor,intro)) # 把图片下载下来,以二进制读写模式打开 with open(‘C:/Users/Administrator/Desktop/img/‘+name+‘.png‘,‘wb+‘) as f: f.write(requests.get(img_url).content) def main(): url = ‘http://dianying.2345.com/top/‘ get_content(url) if __name__ == ‘__main__‘: main()
5.输出结果
6.注意点
requests的content和text属性的区别：
从print 结果来看是没有任何区别的
resp.text返回的是Unicode型的数据。
resp.content返回的是bytes型也就是二进制的数据。
也就是说，如果想获取文本，可以通过r.text。
如果想取图片，文件，则可以通过r.content。
标签：编码 简单的 主题 html 列表 nts 进制 nis except
原文地址：http://www.cnblogs.com/Josiah-Lin/p/7243629.html
