标签:mozilla urlencode tor 读取 selector int url编码 cto 对象
#!/usr/bin/env pythonimport os
import urllib
import urllib2
from lxml import etree
class Spider:
def init(self):
self.tiebaName = raw_input("请需要访问的贴吧:")
self.beginPage = int(raw_input("请输入起始页:"))
self.endPage = int(raw_input("请输入终止页:"))
self.url = ‘http://tieba.baidu.com/f‘
self.ua_header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1 Trident/5.0;"}
#图片编号
self.userName = 1
def tiebaSpider(self):
for page in range(self.beginPage, self.endPage + 1):
pn = (page - 1) * 50 # page number
word = {‘pn‘ : pn, ‘kw‘: self.tiebaName}
word = urllib.urlencode(word) #转换成url编码格式(字符串)
myUrl = self.url + "?" + word
#示例:http://tieba.baidu.com/f? kw=%E7%BE%8E%E5%A5%B3 & pn=50
#调用 页面处理函数 load_Page
#并且获取页面所有帖子链接,
links = self.loadPage(myUrl) # urllib2_test3.py
#读取页面内容
def loadPage(self, url):
req = urllib2.Request(url, headers = self.ua_header)
html = urllib2.urlopen(req).read()
#解析html 为 HTML 文档
selector=etree.HTML(html)
#抓取当前页面的所有帖子的url的后半部分,也就是帖子编号
#http://tieba.baidu.com/p/4884069807里的 “p/4884069807”
links = selector.xpath(‘//div[@class="threadlist_lz clearfix"]/div/a/@href‘)
#links 类型为 etreeElementString 列表
#遍历列表,并且合并成一个帖子地址,调用 图片处理函数 loadImage
for link in links:
link = "http://tieba.baidu.com" + link
self.loadImages(link)
#获取图片
def loadImages(self, link):
req = urllib2.Request(link, headers = self.ua_header)
html = urllib2.urlopen(req).read()
selector = etree.HTML(html)
#获取这个帖子里所有图片的src路径
imagesLinks = selector.xpath(‘//img[@class="BDE_Image"]/@src‘)
#依次取出图片路径,下载保存
for imagesLink in imagesLinks:
self.writeImages(imagesLink)
#保存页面内容
def writeImages(self, imagesLink):
‘‘‘
将 images 里的二进制内容存入到 userNname 文件中
‘‘‘
print imagesLink
print "正在存储文件 %d ..." % self.userName
#1. 打开文件,返回一个文件对象
file = open(‘./images/‘ + str(self.userName) + ‘.png‘, ‘wb‘)
#2. 获取图片里的内容
images = urllib2.urlopen(imagesLink).read()
#3. 调用文件对象write() 方法,将page_html的内容写入到文件里
file.write(images)
#4. 最后关闭文件
file.close()
#计数器自增1
self.userName += 1
#模拟 main 函数
if name == "main":
# 首先创建爬虫对象
mySpider = Spider()
# 调用爬虫对象的方法,开始工作
mySpider.tiebaSpider()
标签:mozilla urlencode tor 读取 selector int url编码 cto 对象
原文地址:http://blog.51cto.com/13831593/2294118