Python爬虫实战(五) :下载百度贴吧帖子里的所有图片

Myth丶恋晨 2022-06-09 11:47 271阅读 0赞

准备工作：  
目标网址：https://tieba.baidu.com/p/5113603072  
目的： 下载该页面上的所有楼层里的照片  
  
第一步：分析网页源码  
火狐浏览器 ---> 在该页面上右击 “查看页面源代码”，会打开一个新的标签页。  
  
第二步：查找图片源地址  
在新标签页上ctrl + F，输入jpg，找到第一个图片的源地址  
  
<img class="BDE\_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=29a773eb871001e94e3c1407880f7b06/50cf3bc79f3df8dc5b6bb593c711728b47102859.jpg"  
BTW，怎么知道这个链接是不是第一张图，在查找jpg的时候，直接复制jpg网址在浏览器上输入回车对比即可，如果是超链接，直接点击即可。  
  
查找后分析，所有楼层里面的图片都是这个格式<img class="BDE\_Image" src=.......  
  
  
第三步：使用强大BeautifulSoup，过滤标签img 和 class="BDE\_Image"，代码：  
soup = BeautifulSoup(html, 'html.parser')  
img\_info = soup.find\_all('img', class\_='BDE\_Image')  
  
第四步：找出所有照片的原始链接，代码  
for img in img\_info:  
img.get("src")  
  
第五步：下载  
使用urllib.request.urlretrieve函数  
  
整合后写成完整代码：

#coding=utf-8  
    import requests
    import urllib.request
    from bs4 import BeautifulSoup
    
    def getHtml(url):  
        page = requests.get(url)  
        html =page.text  
        return html
    
    def getImg(html):
        soup = BeautifulSoup(html, 'html.parser')  
        img_info = soup.find_all('img', class_='BDE_Image')
        for index,img in enumerate(img_info,1):
            print ("正在下载第{}张图片".format(index))
            urllib.request.urlretrieve(img.get("src"),'%s.jpg' % index)  
            
    if __name__=='__main__':
        url = "https://tieba.baidu.com/p/5113603072"
        html = getHtml(url)
        getImg(html)
    
        print ("OK!All DownLoad!")

我们看到该帖子远远不止一页，我们也想下载其他页面上的图片怎么办？  
  
点击第二页，网址变为  
https://tieba.baidu.com/p/5113603072?pn=2  
  
将pn=2改成pn=1试试，回车，又发现与之前的网站https://tieba.baidu.com/p/5113603072指向的是同一个页面，因此可以循环来访问了。  
  
代码：

#coding=utf-8
    import re
    import requests
    import urllib.request 
    from bs4 import BeautifulSoup
    
    def getHtml(url):  
        page = requests.get(url)  
        html =page.text  
        return html
    
    def getImg(html):
        soup = BeautifulSoup(html, 'html.parser')  
        img_info = soup.find_all('img', class_='BDE_Image')
        global index 
        for index,img in enumerate(img_info,index+1):
            print ("正在下载第{}张图片".format(index))
            urllib.request.urlretrieve(img.get("src"),'%s.jpg' % index)
    
    def getMaxPage(url):
        html = getHtml(url)
        reg  = re.compile(r'max-page="(\d+)"')
        page = re.findall(reg,html)
        page = int(page[0])
        return page
        
            
    if __name__=='__main__':
        url   = "https://tieba.baidu.com/p/5113603072"
        page  = getMaxPage(url)
        index = 0
        for i in range(1,page):
            url = "%s%s"  % ("https://tieba.baidu.com/p/5113603072?pn=",str(i))
            html = getHtml(url)
            getImg(html)
            
        print ("OK!All DownLoad!")

总结：BeautifulSoup功能真是太强大了。