标签:chrome vscode 平台 1.2 code srm als utf-8 bsp
孤荷凌寒自学python第八十二天学习爬取图片2
(完整学习过程屏幕记录视频地址在文末)
今天在昨天基本尝试成功的基础上,继续完善了文字和图片的同时爬取并存放在word文档中。
一、我准备爬取一个有文字也有图片的博客页面
https://www.cnblogs.com/forever-snow/p/8506746.html
二、具体代码
```
import requests
from bs4 import BeautifulSoup
import re
import datetime
import pymongo
import os
from contextlib import closing
from docx.shared import RGBColor #将三个数值生成色彩对象
import _mty
import _mf
import _mbs4
import _mmongo
import _mre
import _mdb
import _mword
import _mrequests
intc=0
def msgbox(info,titletext=‘孤荷凌寒的DB模块对话框QQ578652607‘,style=0,isShowErrMsg=False):
return _mty.msgboxGhlh(info,titletext,style,isShowErrMsg)
#定义一个读取完成单个博客园页面的函数
def getapage(strurl,strsavepath,strsavefile):
os.makedirs(strsavepath, exist_ok=True)
doc=_mword.newDocX(strsavepath + strsavefile)
doc.add_paragraph(strurl)
header={
‘accept‘:‘text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8‘,
‘accept-encoding‘:‘gzip, deflate, br‘,
‘accept-language‘:‘zh-CN,zh;q=0.9‘,
‘cache-control‘:‘max-age=0‘,
‘cookie‘:‘__gads=ID=40b6d57596e7429a:T=1538208840:S=ALNI_MbWvfR21-XDCnnRMC6w1ipz5pL1hw; _ga=GA1.2.1676220267.1545396991; UM_distinctid=16813a77ccd322-03ef758a8d4e-3c604504-144000-16813a77cce8fa; CNZZDATA1256907=cnzz_eid%3D1198885933-1546517969-%26ntime%3D1546518138; CNZZDATA1257640778=1118534197-1547552369-https%253A%252F%252Fwww.baidu.com%252F%7C1547607403; _gid=GA1.2.1292942896.1547814253‘,
‘referer‘:‘https://www.baidu.com/link?url=qbb-FNVuosS5gMXV4E6kyu5UdwHX8ywZFIRl0iHiHm-yiTe8Lr5quxi7vcCXAS1yonIvrk58Sagt0tNVIsZDeK&wd=&eqid=c2293eaa0002eede000000055c42f402‘,
‘upgrade-insecure-requests‘:‘1‘,
‘user-agent‘:‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36‘
}
r=requests.get(strurl,headers=header)
r.raise_for_status() #raise异常自动抛出,如果读取的Url服务器端返回400或500及后的错误,那么,则会抛出异常后,不再向后执行
r.encoding=‘utf-8‘
bs=BeautifulSoup(r.text,‘lxml‘)
htmldiv=bs.select(‘#cnblogs_post_body‘)[0]
#htmldiv=htmldiv.parent
#msgbox(str(type(htmldiv)))
for m,i in enumerate(list(htmldiv.find_all([‘p‘,‘div‘]))):
strcontent=i.get_text()
_mword.addPToDocx(doc,strcontent)
imgs=i.find_all(‘img‘)
for k,j in enumerate(list(imgs)):
strpicurl=j[‘src‘]
lsttemp=strpicurl.split(‘.‘)
strhouzui=‘.‘ + lsttemp[-1]
strpicfilenm=strsavepath + ‘%d03‘ %m + ‘%d03‘ %k + strhouzui
try:
_mrequests.downloadPicGhlhStream(strpicurl,header,strpicfilenm)
doc.add_picture(strpicfilenm)
except:
pass
doc.save(strsavepath + strsavefile)
#downloadpicfirst()
getapage(‘https://www.cnblogs.com/forever-snow/p/8506746.html‘,‘I:\\MAKEAPP\\python\\Python365\\边学习边测试文件夹\\自学PYTHON部分\\0082第八十二天同时将图片和文字爬取下来2\\docs\\‘,‘001.docx‘)
```
三、对昨天处理图片的方法进行了封装:
【_mrequest.py】
```
import requests
from bs4 import BeautifulSoup
import re
import datetime
from contextlib import closing
import _mty
import _mf
import _mbs4
import _mre
mrequestsErrString=‘‘ #供其它模块使用的全局变量了,实时保存了各函数执行时的错误信息
def msgbox(info,titletext=‘孤荷凌寒的requests模块对话框QQ578652607‘,style=0,isShowErrMsg=False):
return _mty.msgboxGhlh(info,titletext,style,isShowErrMsg)
#使用content的写法,速度要慢得多
def downLoadPicGhlhContent(strpicurl,header,strsavefile,isShowMsg=False):
try:
r=requests.get(strpicurl,headers=header)
r.raise_for_status() #raise异常自动抛出,如果读取的Url服务器端返回400或500及后的错误,那么,则会抛出异常后,不再向后执行
#下一句指定了读取网页时要使用的编码格式
r.encoding=r.apparent_encoding #requests的返回结果对象里有个apparent_encoding函数, apparent_encoding通过调用chardet.detect()来识别文本编码. 但是需要注意的是,这有些消耗计算资源.
#r.encoding=‘utf-8‘
with open(strsavefile,‘wb‘) as f:
f.write(r.content) #content属性与text属性不同
#---------------------------------------------
except Exception as e:
mrequestsErrString=‘通过读取图片content方式写入本地下载图片时出错:‘ + str(e) + ‘\n此函数由【孤荷凌寒】创建,QQ578652607‘
if isShowMsg==True:
msgbox(mrequestsErrString)
return None
else:
pass
finally:
pass
#使用流模式的写法,速度快得多
def downloadPicGhlhStream(strpicurl,header,strsavefile,isShowMsg=False):
try:
r=requests.get(strpicurl,headers=header,stream=True)
r.raise_for_status() #raise异常自动抛出,如果读取的Url服务器端返回400或500及后的错误,那么,则会抛出异常后,不再向后执行
#流模式不需要指定编码格式
#下一行用意在于,在写完流之后,自动关闭流
with closing(requests.get(strpicurl,headers=header,stream=True)) as r:
with open(strsavefile,‘wb‘) as f:
#将流分成n个部分写入,每个部分分成128字节
for chunk in r.iter_content(128): #这一句vscode报错,但是假的报错
f.write(chunk)
except Exception as e:
mrequestsErrString=‘通过读取图片 数据流 方式写入本地下载图片时出错:‘ + str(e) + ‘\n此函数由【孤荷凌寒】创建,QQ578652607‘
if isShowMsg==True:
msgbox(mrequestsErrString)
return None
else:
pass
finally:
pass
```
四、一些发现
html标签对象的children属性并不能返回所有子级对象,还得使用find_all方法才行。
最开始我使用:
htmldiv.children
没有成功,后来改为:
htmldiv.find_all([‘p‘,‘div‘])
——————————
今天整理的学习笔记完成,最后例行说明下我的自学思路:
根据过去多年我自学各种编程语言的经历,认为只有真正体验式,解决实际问题式的学习才会有真正的效果,即让学习实际发生。在2004年的时候我开始在一个乡村小学自学电脑 并学习vb6编程语言,没有学习同伴,也没有高师在上,甚至电脑都是孤岛(乡村那时还没有网络),有的只是一本旧书,在痛苦的自学摸索中,我找到适应自己零基础的学习方法:首先是每读书的一小节就作相应的手写笔记,第二步就是上机测试每一个笔记内容是否实现,其中会发现书中讲的其实有出入或错误,第三步就是在上机测试之后,将笔记改为电子版,形成最终的修订好的正确无误的学习笔记 。
通过反复尝试错误,在那个没有分享与交流的黑暗时期我摸黑学会了VB6,尔后接触了其它语言,也曾听过付费视频课程,结果发现也许自己学历果然太低,就算是零基础的入门课程,其实也难以跟上进度,讲师的教学多数出现对初学者的实际情况并不了解的情况,况且学习者的个体也存在差异呢?当然更可怕的是收费课程的价格往往是自己难以承受的。
于是我的所有编程学习都改为了自学,继续自己的三步学习笔记法的学习之路。
当然自学的最大问题是会走那么多的弯路,没有导师直接输入式的教学来得直接,好在网络给我们带来无限搜索的机会,大家在网络上的学习日志带给我们共享交流的机会,而QQ群等交流平台、网络社区的成立,我们可以一起自学,互相批评交流,也可以获得更有效,更自主的自学成果。
于是我以人生已过半的年龄,决定继续我的编程自学之路,开始学习python,只希望与大家共同交流,一个人的独行是可怕的,只有一群人的共同前进才是有希望的。
诚挚期待您的交流分享批评指点!欢迎联系我加入从零开始的自学联盟。
这个时代互联网成为了一种基础设施的存在,于是本来在孤独学习之路上的我们变得不再孤独,因为网络就是一个新的客厅,我们时刻都可以进行沙龙活动。
非常乐意能与大家一起交流自己自学心得和发现,更希望大家能够对我学习过程中的错误给予指点——是的,这样我就能有许多免费的高师了——这也是分享时代,社区时代带来的好福利,我相信大家会的,是吧!
根据完全共享的精神,开源互助的理念,我的个人自学录制过程是全部按4K高清视频录制的,从手写笔记到验证手写笔记的上机操作过程全程录制,但因为4K高清文件太大均超过5G以上,所以无法上传至网络,如有需要可联系我QQ578652607对传,乐意分享。上传分享到百度网盘的只是压缩后的720P的视频。
我的学习过程录像百度盘地址分享如下:(清晰度:1280x720)
链接:https://pan.baidu.com/s/1yC6d_VJ8dbSD1mwsRmCvcQ
提取码:1s5m
Bilibili:
https://www.bilibili.com/video/av41236139/
喜马拉雅语音笔记:
https://www.ximalaya.com/keji/19103006/156310726
标签:chrome vscode 平台 1.2 code srm als utf-8 bsp
原文地址:https://www.cnblogs.com/lhghroom/p/10332037.html