用Python写一个知乎文章图片爬取器，80%的人都不会

r囧r小猫 2023-03-12 15:26 9阅读 0赞

# 1. 知乎文章图片爬取器之二博客背景 #

昨天写了知乎文章图片爬取器的一部分代码，针对知乎问题的答案json进行了数据抓取，博客中出现了部分写死的内容，今天把那部分信息调整完毕，并且将图片下载完善到代码中去。![1][]

首先，需要获取任意知乎的问题，只需要你输入问题的ID，就可以获取相关的页面信息，比如最重要的合计有多少人回答问题。 问题ID为如下标红数字

编写代码，下面的代码用来检测用户输入的是否是正确的ID，并且通过拼接URL去获取该问题下面合计有多少答案。

> **大家注意：不管你是为了Python就业还是兴趣爱好，记住：项目开发经验永远是核心，如果你没有2020最新python入门到高级实战视频教程，可以去小编的Python交流.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，里面很多新python教程项目，还可以跟老司机交流讨教！**

import requests
    import re
    import pymongo
    import time
    DATABASE_IP = '127.0.0.1'
    DATABASE_PORT = 27017
    DATABASE_NAME = 'sun'
    client = pymongo.MongoClient(DATABASE_IP,DATABASE_PORT)
    db = client.sun
    db.authenticate("dba", "dba")
    collection = db.zhihuone  # 准备插入数据
    
    BASE_URL = "https://www.zhihu.com/question/{}"
    def get_totle_answers(article_id):
        headers = {
            "user-agent": "需要自己补全 Mozilla/5.0 (Windows NT 10.0; WOW64)"
        }
    
        with requests.Session() as s:
            with s.get(BASE_URL.format(article_id),headers=headers,timeout=3) as rep:
                html = rep.text
                pattern =re.compile( '<meta itemProp="answerCount" content="(\d*?)"/>')
                s = pattern.search(html)
                print("查找到{}条数据".format(s.groups()[0]))
                return s.groups()[0]
    
    if __name__ == '__main__':
    
        # 用死循环判断用户输入的是否是数字
        article_id = ""
        while not article_id.isdigit():
            article_id = input("请输入文章ID：")
    
        totle = get_totle_answers(article_id)
        if int(totle)>0:
            zhi = ZhihuOne(article_id,totle)
            zhi.run()
        else:
            print("没有任何数据！")

完善图片下载部分，图片下载地址在查阅过程中发现，存在json字段的`content`中，我们采用简单的正则表达式将他匹配出来。细节如下图展示

![11][]编写代码吧，下面的代码注释请仔细阅读，中间有一个小BUG，需要手动把pic3修改为pic2这个地方目前原因不明确，可能是我本地网络的原因，还有请在项目根目录先创建一个`imgs`的文件夹，用来存储图片

def download_img(self,data):
            ## 下载图片
            for item in data["data"]:
                content = item["content"]
                pattern = re.compile('<noscript>(.*?)</noscript>')
                imgs = pattern.findall(content)
                if len(imgs) > 0:
                    for img in imgs:
                        match = re.search('<img src="(.*?)"', img)
                        download = match.groups()[0]
                        download = download.replace("pic3", "pic2")  # 小BUG,pic3的下载不到
    
                        print("正在下载{}".format(download), end="")
                        try:
                            with requests.Session() as s:
                                with s.get(download) as img_down:
                                    # 获取文件名称
                                    file = download[download.rindex("/") + 1:]
    
                                    content = img_down.content
                                    with open("imgs/{}".format(file), "wb+") as f:  # 这个地方进行了硬编码
                                        f.write(content)
    
                                    print("图片下载完成", end="\n")
    
                        except Exception as e:
                            print(e.args)
    
                else:
                    pass

运行结果为

![11][11 1]

大功告成，**最后注意：**不管你是为了Python就业还是兴趣爱好，记住：项目开发经验永远是核心，如果你没有2020最新python入门到高级实战视频教程，可以去小编的Python交流.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，里面很多新python教程项目，还可以跟老司机交流讨教

[1]: /images/20230312/80cbe0cd8b3a42cb8d0f7d7d147edff0.png
[11]: /images/20230312/23af60c971564aeb85adeb31a248c5cd.png
[11 1]: /images/20230312/05be596cd10244248e2485ecbeb2c94e.png