标签:java bsp 破坏 本地 图库 创建目录 html post image
# coding=utf-8 # 声明编码方式 默认编码方式ASCII 參考https://www.python.org/dev/peps/pep-0263/ import urllib import time import re import os ''' Python下载游迅网图片 BY:Eastmount ''' ''' ************************************************** #第一步 遍历获取每页相应主题的URL #http://pic.yxdown.com/list/0_0_1.html #http://pic.yxdown.com/list/0_0_75.html ************************************************** ''' fileurl=open('yxdown_url.txt','w') fileurl.write('****************获取游讯网图片URL*************\n\n') #建议num=3 while num<=3一次遍历一个页面全部主题,下次换成num=4 while num<=4而不是1-75 num=3 while num<=3: temp = 'http://pic.yxdown.com/list/0_0_'+str(num)+'.html' content = urllib.urlopen(temp).read() open('yxdown_'+str(num)+'.html','w+').write(content) print temp fileurl.write('****************第'+str(num)+'页*************\n\n') #爬取相应主题的URL #<div class="cbmiddle"></div>中<a target="_blank" href="/html/5533.html" > count=1 #计算每页1-75中详细网页个数 res_div = r'<div class="cbmiddle">(.*?)</div>' m_div = re.findall(res_div,content,re.S|re.M) for line in m_div: #fileurl.write(line+'\n') #获取每页全部主题相应的URL并输出 if "_blank" in line: #防止获取列表list/1_0_1.html list/2_0_1.html #获取主题 fileurl.write('\n\n********************************************\n') title_pat = r'<b class="imgname">(.*?
)</b>' title_ex = re.compile(title_pat,re.M|re.S) title_obj = re.search(title_ex, line) title = title_obj.group() print unicode(title,'utf-8') fileurl.write(title+'\n') #获取URL res_href = r'<a target="_blank" href="(.*?
)"' m_linklist = re.findall(res_href,line) #print unicode(str(m_linklist),'utf-8') for link in m_linklist: fileurl.write(str(link)+'\n') #形如"/html/5533.html" ''' ************************************************** #第二步 去到详细图像页面 下载HTML页面 #http://pic.yxdown.com/html/5533.html#p=1 #注意先本地创建yxdown 否则报错No such file or directory ************************************************** ''' #下载HTML网页无原图 故加'#p=1'错误 #HTTP Error 400. The request URL is invalid. html_url = 'http://pic.yxdown.com'+str(link) print html_url html_content = urllib.urlopen(html_url).read() #详细站点内容 #可凝视它 暂不下载静态HTML open('yxdown/yxdown_html'+str(count)+'.html','w+').write(html_content) ''' #第三步 去到图片界面下载图片 #图片的链接地址为http://pic.yxdown.com/html/5530.html#p=1 #p=2 #点击"查看原图"HTML代码例如以下 #<a href="javascript:;" style=""onclick="return false;">查看原图</a> #通过JavaScript实现 并且该界面存储全部图片链接<script></script>之间 #获取"original":"http://i-2.yxdown.com/2015/3/18/6381ccc..3158d6ad23e.jpg" ''' html_script = r'<script>(.*?
)</script>' m_script = re.findall(html_script,html_content,re.S|re.M) for script in m_script: res_original = r'"original":"(.*?
)"' #原图 m_original = re.findall(res_original,script) for pic_url in m_original: print pic_url fileurl.write(str(pic_url)+'\n') ''' #第四步 下载图片 #假设浏览器存在验证信息如维基百科 需加入例如以下代码 class AppURLopener(urllib.FancyURLopener): version = "Mozilla/5.0" urllib._urlopener = AppURLopener() #參考 http://bbs.csdn.net/topics/380203601 #http://www.lylinux.org/python使用多线程下载图片.html ''' filename = os.path.basename(pic_url) #去掉文件夹路径,返回文件名称 #No such file or directory 须要先创建文件Picture3 urllib.urlretrieve(pic_url, 'E:\\Picture3\\'+filename) #http://pic.yxdown.com/html/5519.html #IOError: [Errno socket error] [Errno 10060] #仅仅输出一个URL 否则输出两个同样的URL break #当前页详细内容个数加1 count=count+1 time.sleep(0.1) else: print 'no url about content' time.sleep(1) num=num+1 else: print 'Download Over!!!'
1.简单遍历站点。获取每页相应主题的URL。当中每页都有无数个主题。当中主题的格式例如以下:
<!-- 第一步 爬取的HTML代码例如以下 --> <div class="conbox"> <div class="cbtop"> </div> <div class="cbmiddle"> <a target="_blank" href="/html/5533.html" class="proimg"> <img src="http://i-2.yxdown.com/2015/3/19/KDE5Mngp/a78649d0-9902-4086-a274-49f9f3015d96.jpg" alt="Miss大小姐驾到!它是由无数个<div class="conbox"></div>组成,当中我们仅仅须要提取<a target="_blank" href="/html/5533.html" class="proimg">中的href就可以,然后通过URL拼接实现到详细的主题页面。当中相应上面的布局例如以下图所看到的:细数《英雄联盟》圈的电竞女神" /> <strong></strong> <p> <span>b></b>1836人看过</span> <em><b></b>10张</em> </p> <b class="imgname">Miss大小姐驾到!
细数《英雄联盟》圈的电竞女神</b> </a> <a target="_blank" href="/html/5533.html" class="plLink"><em>1</em>人评论</a> </div> <div class="cbbottom"> </div> <a target="_blank" class="plBtn" href="/html/5533.html"></a> </div>
但我发现它是通过JavaScript实现的浏览,即:
<a href="javascript:;" onclick="return false;" id="photoOriginal">查看原图</a>
同一时候它把全部图片都写在以下代码<script></script>中:
<script>var images = [ { "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg", "thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg", "original":"http://i-2.yxdown.com/2015/3/18/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg", "title":"","descript":"","id":75109}, { "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/fec26de9-8727-424a-b272-f2827669a320.jpg", "thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/fec26de9-8727-424a-b272-f2827669a320.jpg", "original":"http://i-2.yxdown.com/2015/3/18/fec26de9-8727-424a-b272-f2827669a320.jpg", "title":"","descript":"","id":75110}, ... </script>当中获取原图-original就可以,缩略图-thumb,大图-big,通过正則表達式下载URL:
import os import urllib class AppURLopener(urllib.FancyURLopener): version = "Mozilla/5.0" urllib._urlopener = AppURLopener() url = "http://i-2.yxdown.com/2015/2/25/c205972d-d858-4dcd-9c8b-8c0f876407f8.jpg" filename = os.path.basename(url) urllib.urlretrieve(url , filename)同一时候我也在本地创建目录Picture3,并txt记录获取的URL,例如以下图所看到的:
标签:java bsp 破坏 本地 图库 创建目录 html post image
原文地址:http://www.cnblogs.com/blfbuaa/p/7249681.html