0 条评论

最近开始学习爬虫，一开始看的是静觅的爬虫系列文章，今天看到糗事百科成人版，心里就邪恶了一下，把图片都爬下来吧，哈哈~

虽然后来实现了，但还是存在一些问题，暂且不提，先切入正题吧，没什么好说的，直接上代码如下：

环境：Python2.79

 

#coding: utf-8
import urllib2
import urllib
import re
import os

#糗百成人版抓取图片
class QBAdult:

    #类初始化
    def __init__(self):
        self.baseURL = "http://www.qiubaichengnian.com/"
    #获取索引页面内容
    def getPage(self, pageIndex):
        url = self.baseURL + "index_" + str(pageIndex) + ".html"
        req_header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
                        'Accept':'text/html;q=0.9,*/*;q=0.8',
                        'Accept-Charset':'ISO-8859-1,utf-8;q=0.7,*;q=0.3',
                        'Accept-Encoding':'gzip',
                        'Connection':'close',
                        'Referer':None #注意如果依然不能抓取的话，这里可以设置抓取网站的host
                    }
        req_timeout = 5
        request = urllib2.Request(url, None, req_header)
        reponse = urllib2.urlopen(request, None, req_timeout)
        #print reponse.read().decode('gbk')
        return reponse.read().decode('gbk')

    #获取页面所有条目信息，list格式
    def getContents(self, pageIndex):
        page = self.getPage(pageIndex)
        pattern = re.compile('div class="ui-module".*?<a href=.*?>(.*?)</a>.*?<img.*?src="(.*?)"', re.S)
        items = re.findall(pattern, page)
        #for item in items:
            #print item[0], item[1]
        return items


    #获取页面所有图片
    def getAllImgs(self, items):

        images = []
        for item in items:
            images.append(item[1])
        return images


    #保存多张图片
    def saveAllImg(self, images, n, name):
        number = 1
        print u"--------------正在保存第", n , u"页美女图片-------------"
        for imageURL in images:
            splitPath = imageURL.split('.')
            fTail = splitPath.pop()
            fileName = name + "/" + str(n) + "-" + str(number) + "." + fTail
            self.saveImg(imageURL, fileName)
            number += 1


    #传入图片地址，文件名，保存单张图片
    def saveImg(self, imageURL, fileName):
        u = urllib.urlopen(imageURL)
        data = u.read()
        f = open(fileName, 'wb')
        f.write(data)
        print u"正在保存美女图片", fileName
        f.close()

    #创建新目录
    def mkdir(self, path):
        path = path.strip()
        #判断是否存在
        isExists = os.path.exists(path)
        if not isExists:
            print u"新建名字为", path, u"的文件夹"
            os.makedirs(path)
            return True
        else:
            #如果目录存在则不创建，并提示目录已存在
            print u"名为", path, u"的文件夹已经创建成功"
            return False


    def savePageInfos(self, start, end):
        fileName = "beautifull"
        #获取一页内容,存入beautifull文件夹
        self.mkdir(fileName)
        for i in range(start, end+1):
            print u"正在保存第", i, "页的美女图片"
            contents = self.getContents(i)
            images = self.getAllImgs(contents)
            self.saveAllImg(images, i, fileName)


qAdult = QBAdult()
qAdult.savePageInfos(1, 301)

 

其中16-23行的代码是后来出现IOERROR以及超时等错误后加上的，但是这种方法只是治标不治本，时不时程序还会停止，错误如下：

小规模抓取图片，几百页抓取会出现如上问题，我还没有找到什么原因。。。。