【Python爬虫】爬虫程序的简单处理过程

谁借莪１个温暖的怀抱￠ 2022-05-24 02:56 283阅读 0赞

一月份的时候有写过一篇文章，是关于如何解析网站，然后将图片下载下来，[爬虫爬取美女图片存入到动态的文件夹中][Link 1]  
今天主要总结的是爬虫的一个基本思路，主要有：  
1.获取一个网页get\_one\_page()

我们知道一个网页可能由多个参数构成，我们可以传参进去。

2.分析一个网页，获取有用的信息parse\_one\_page()或者获取图片下载save\_one\_image()

我们可以通过正则表达式或者第三方插件BeautifulSoup（或者其他插件）解析html文件，然后获取自己有用的信息

3.将获取的信息存储起来

当我们获取到了我们需要的信息后，我们可以存储到Excle,TXT,CSV,或者数据库中

4.main()函数处理流程  
我们可以通过一个主流程函数传入参数进行逻辑处理，然后传参数到get\_one\_page()，parse\_one\_page()，最后存储起来。

下面我们通过一个列子解释一下：

'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
    #作者：cacho_37967865
    #博客：https://blog.csdn.net/sinat_37967865
    #文件：getBeauty.py
    #日期：2018-05-13
    #备注：get_one_page()函数传参控制url并转化为可解析内容；save_one_image()函数获取图片路径并下载文件；main()函数进行传参循环下载图片    
    '''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
    # F:\python_env\PaChong_env
    # -*- coding: utf-8 -*-
    
    import os
    import requests
    import urllib.request
    from urllib.parse import urlencode
    from bs4 import BeautifulSoup
    from tqdm import tqdm
    
    def get_one_page(beauty,page):
        paras = {
            'id' : beauty,        #某个美女的id
            'mm' : page           #每个美女有多张图片，每张对应一页
        }
    
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0'
        }
    
        url = 'http://www.xingmeng365.com/articles.asp?' + urlencode(paras)
    
        # 获取网页内容，返回html数据
        response = requests.get(url, headers=headers)
        response.encoding = 'gb2312'
        print("当前爬取的网址为：" + url)
        return response.text
    
    def save_one_image(html,path,id,mm):
        soup = BeautifulSoup(html,'lxml')
        for link in soup.find_all('img'):
            if "/upload/image" in link.get('src'):
                image_url = link.get('src')
                if id <= 6:
                    image_url = "http://www.xingmeng365.com/" + image_url[6:]
                else:
                    image_url = "http://www.xingmeng365.com/" + image_url[1:]  # id=7以后，[6:]改为[1:]
                fileName = soup.find('h1').get_text()
                os.chdir(path)
                image_path = str(id) + '-' + str(fileName)
                if not os.path.exists(image_path):
                    print("开始创建文件夹：" + str(fileName))
                    os.makedirs(image_path)
                os.chdir(image_path)
                print("开始下载第" + str(mm) + "张图片：" + image_url)
                # 可以自定义命名图片名称，好检索
                file = open(str(id) + '-' + str(mm) + '.jpg', "wb")
                req = urllib.request.Request(url=image_url)
                try:
                    image = urllib.request.urlopen(req, timeout=20)
                    pic = image.read()
                except Exception as e:
                    print("第" + str(mm) + "张图片访问超时，下载失败：" + image_url)
                    continue
                file.write(pic)
                print("第" + str(mm) + "张图片下载成功")
                file.close()
    
    def main(start_id,end_id,page,path):
        for id in tqdm(range(start_id,end_id)):
            for mm in range(1,page):
                html = get_one_page(id,mm)
                save_one_image(html,path,id,mm)
    
    if __name__ == '__main__':
       main(124, 760, 60, 'F:\Lingwei\AllPhoto')

[Link 1]: https://blog.csdn.net/sinat_37967865/article/details/79120145