[python学习] 简单爬取图片网站图库中图片
最近老师让学习Python与维基百科相关的知识，无聊之中用Python简单做了个爬取“游讯网图库”中的图片，因为每次点击下一张感觉非常浪费时间又繁琐。主要分享的是如何爬取HTML的知识和Python如何下载图片；希望对大家有所帮助，同时发现该网站的图片都挺精美的，建议阅读原网下载图片，支持游讯网不要去破坏它。
通过浏览游讯网发现它的图库URL为，其中全部图片为0_0_1到0_0_75:
http://pic.yxdown.com/list/0_0_1.html
http://pic.yxdown.com/list/0_0_75.html
同时通过下图可以发现游讯网的1-75页个列表，每页中有很多个主题，每个主题都有相应的多张图片。
源代码如下：
(需在本地创建E:Picture3文件夹和Python运行目录创建yxdown文件夹)
# coding=utf-8
# 声明编码方式 默认编码方式ASCII 参考https://www.python.org/dev/peps/pep-0263/
import urllib
import time
import re
import os
"""
Python下载游迅网图片 BY:Eastmount
"""
"""
**************************
#第一步 遍历获取每页对应主题的URL
#http://pic.yxdown.com/list/0_0_1.html
#http://pic.yxdown.com/list/0_0_75.html
**************************
"""
fileurl=open("yxdown_url.txt","w")
fileurl.write("********获取游讯网图片URL*******
")
#建议num=3 while num<=3一次遍历一个页面所有主题,下次换成num=4 while num<=4而不是1-75
num=3
while num<=3:
temp = "http://pic.yxdown.com/list/0_0_"+str(num)+".html"
content = urllib.urlopen(temp).read()
open("yxdown_"+str(num)+".html","w+").write(content)
print temp
fileurl.write("********第"+str(num)+"页*******
")
#爬取对应主题的URL
#<div class="cbmiddle"></div>中<a target="_blank" href="/html/5533.html" >
count=1 #计算每页1-75中具体网页个数
res_div = r"<div class="cbmiddle">(.*?)</div>"
m_div = re.findall(res_div,content,re.S|re.M)
for line in m_div:
#fileurl.write(line+"
")
#获取每页所有主题对应的URL并输出
if "_blank" in line: #防止获取列表list/1_0_1.html list/2_0_1.html
#获取主题
fileurl.write("
**********************
")
title_pat = r"<b class="imgname">(.*?)</b>"
title_ex = re.compile(title_pat,re.M|re.S)
title_obj = re.search(title_ex, line)
title = title_obj.group()
print unicode(title,"utf-8")
fileurl.write(title+"
")
#获取URL
res_href = r"<a target="_blank" href="(.*?)""
m_linklist = re.findall(res_href,line)
#print unicode(str(m_linklist),"utf-8")
for link in m_linklist:
fileurl.write(str(link)+"
") #形如"/html/5533.html"
"""
**************************
#第二步 去到具体图像页面 下载HTML页面
#http://pic.yxdown.com/html/5533.html#p=1
#注意先本地创建yxdown 否则报错No such file or directory
**************************
"""
#下载HTML网页无原图 故加"#p=1"错误
#HTTP Error 400. The request URL is invalid.
html_url = "http://pic.yxdown.com"+str(link)
print html_url
html_content = urllib.urlopen(html_url).read() #具体网站内容
#可注释它 暂不下载静态HTML
open("yxdown/yxdown_html"+str(count)+".html","w+").write(html_content)
"""
#第三步 去到图片界面下载图片
#图片的链接地址为http://pic.yxdown.com/html/5530.html#p=1 #p=2
#点击"查看原图"HTML代码如下
#<a href="javascript:;" style=""onclick="return false;">查看原图</a>
#通过JavaScript实现 而且该界面存储所有图片链接<script></script>之间
#获取"original":"http://i-2.yxdown.com/2015/3/18/6381ccc..3158d6ad23e.jpg"
"""
html_script = r"<script>(.*?)</script>"
m_script = re.findall(html_script,html_content,re.S|re.M)
for script in m_script:
res_original = r""original":"(.*?)"" #原图
m_original = re.findall(res_original,script)
for pic_url in m_original:
print pic_url
fileurl.write(str(pic_url)+"
")
"""
#第四步 下载图片
#如果浏览器存在验证信息如维基百科 需添加如下代码
class AppURLopener(urllib.FancyURLopener):
version = "Mozilla/5.0"
urllib._urlopener = AppURLopener()
#参考 http://bbs.csdn.net/topics/380203601
#http://www.lylinux.org/python使用多线程下载图片.html
"""
filename = os.path.basename(pic_url) #去掉目录路径,返回文件名
#No such file or directory 需要先创建文件Picture3
urllib.urlretrieve(pic_url, "E:Picture3"+filename)
#http://pic.yxdown.com/html/5519.html
#IOError: [Errno socket error] [Errno 10060]
#只输出一个URL 否则输出两个相同的URL
break
#当前页具体内容个数加1
count=count+1
time.sleep(0.1)
else:
print "no url about content"
time.sleep(1)
num=num+1
else:
print "Download Over!!!"
其中下载http://pic.yxdown.com/list/0_0_1.html的图片E:Picture文件夹如下：
下载http://pic.yxdown.com/list/0_0_3.html的图片E:Picture3文件夹如下：
由于代码注释中有详细的步骤，下面只是简单介绍过程。
1.简单遍历网站，获取每页对应主题的URL。其中每页都有无数个主题，其中主题的格式如下：
<!-- 第一步 爬取的HTML代码如下 -->
<div class="conbox">
<div class="cbtop">
</div>
<div class="cbmiddle">
<a target="_blank" href="/html/5533.html" class="proimg">
<img src="http://i-2.yxdown.com/2015/3/19/KDE5Mngp/a78649d0-9902-4086-a274-49f9f3015d96.jpg" alt="Miss大小姐驾到！细数《英雄联盟》圈的电竞女神" />
<strong></strong>
<p>
<span>b></b>1836人看过</span>
<em><b></b>10张</em>
</p>
<b class="imgname">Miss大小姐驾到！细数《英雄联盟》圈的电竞女神</b>
</a>
<a target="_blank" href="/html/5533.html" class="plLink"><em>1</em>人评论</a>
</div>
<div class="cbbottom">
</div>
<a target="_blank" class="plBtn" href="/html/5533.html"></a>
</div>
它是由无数个
组成，其中我们只需要提取中的href即可，然后通过URL拼接实现到具体的主题页面。其中对应上面的布局如下图所示：
2.去到具体图像页面 下载HTML页面，如：
同时下载本地HTML页面可以注释该句代码。此时需要点击“查看图片”才能下载原图，点击右键只能另存为网站html。
3.我最初打算是是分析“查看原图”的URL来实现下载，其他网站同理是分析“下一页”来实现的。但我发现它是通过JavaScript实现的浏览，即：
同时它把所有图片都写在下面代码中：
<script>var images = [
{ "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",
"thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",
"original":"http://i-2.yxdown.com/2015/3/18/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg",
"title":"","descript":"","id":75109},
{ "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/fec26de9-8727-424a-b272-f2827669a320.jpg",
"thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/fec26de9-8727-424a-b272-f2827669a320.jpg",
"original":"http://i-2.yxdown.com/2015/3/18/fec26de9-8727-424a-b272-f2827669a320.jpg",
"title":"","descript":"","id":75110},
...
</script>
import os
import urllib
class AppURLopener(urllib.FancyURLopener):
version = "Mozilla/5.0"
urllib._urlopener = AppURLopener()
url = "http://i-2.yxdown.com/2015/2/25/c205972d-d858-4dcd-9c8b-8c0f876407f8.jpg"
filename = os.path.basename(url)
urllib.urlretrieve(url , filename)
同时我也在本地创建文件夹Picture3，并txt记录获取的URL，如下图所示：
