Python开发

python爬取图片教程,python爬取慕课网课程信息

ps:只支持单个套图下载,不支持整体下载

在说说我的这个爬虫代码的设计思路:

①当我们浏览这个网站时,会发现,每一个页面的URL都是以网站的域名+page+页数组成,这样我们就可以逐一的访问该网站的网页了

②当我们看图片列表时中,把鼠标放到图片,右击检查,我们发现,图片的内容由ul包裹的li组成,箭头所指的地方为每个套图的地址,这样我们就可以进入套图,一个这样的页面包含有24个这样的套图,我们用BeautifulSoup,处理。

③我们进入套图,鼠标放到40处,右击,发现该套图图片的最大图片数为第十个span的值,而且每个套图的url同①原理相同为套图的url+第几张图片(如下图3为第二张图片),最后下载的url由一个class为main-titleDIV组成。提取img标签的src属性即可获得下载链接

from bs4 import BeautifulSoup

import requests

for x in range(11,20):

#盗取第十一页到19页图片

html_a=requests.get(base_url+str(x),headers=header)

soup_a=BeautifulSoup(html_a.text,features=’lxml’)

pages=soup_a.find(‘ul’,{‘id’:’pins’}).find_all(‘a’)

#选出a标签,如第二步的箭头所指的地方

for y in pages:

if(b%2!=0):

#因为一个li标签里面有两个a标签,所以要去除重复

html=requests.get(y[‘href’],headers=header)

soup_b=BeautifulSoup(html.text,features=’lxml’)

pic_max=soup_b.find_all(‘span’)[10].text

#选出该套图的最大图片数

tittle=soup_b.find(‘h2’,{‘class’:’main-title’}).text

os.makedirs(‘./img/’+str(tittle))

for i in range(1,int(pic_max)+1):

#循环,下载套图图片,

href=y[‘href’]+’/’+str(i)

html2=requests.get(href,headers=header)

soup2=BeautifulSoup(html2.text,features=’lxml’)

pic_url=soup2.find(‘img’,alt=tittle)

html_name=requests.get(pic_url[‘src’],headers=header,stream=True)

file_name=pic_url[‘src’].split(r’/’)[-1]

with open(‘./img/’+str(tittle)+’/’+file_name,’wb’) as f:

for x in html_name.iter_content(chunk_size=32):

print(’ok’)#判断程序是否结束

©著作权归作者所有:来自51CTO博客作者双歧杆菌的原创作品,如需转载,请注明出处,否则将追究法律责任

Similar Posts

发表评论

邮箱地址不会被公开。 必填项已用*标注