申明
本文章仅供学习使用,若读者利用该方法进行违法犯罪活动与本人无关。
爬虫已经开始违法了,所以需要谨慎使用。
以下开始正文


首先,import几个需要用到的包

import requests        #需要用这个包向百度发送请求
import re              #需要用这个包进行正则匹配
import time            #休眠一下,以免给服务器造成太大压力

requests在这里主要作用是向百度发送请求,也就是模仿人类的操作进行访问,有post和get两个方法,在这里我们用get方法就行。

然后,开始向百度发送请求,这里当然需要百度图片的链接,先访问一下百度图片看看链接张什么样。

在这里插入图片描述

url栏长这样:

http://image.baidu.com/search/index?tn=baiduimage&ps=1&ct=201326592&lm=-1&cl=2&nc=1&ie=utf-8&word=皮卡丘

剔除一些不必要的内容之后,可以长这样

http://image.baidu.com/search/index?tn=baiduimage&word=皮卡丘

不信你可以试试。

然后对url分析一下,前面的http://image.baidu.com/search/index?tn=baiduimage肯定是固定格式,不能变的,后面的word=皮卡丘很明显就是我们搜索的关键词。url解决了,接下去向百度发送请求。代码如下:

html = requests.get(url)
html.encoding = html.apparent_encoding    #这里可以对需要爬取的页面查看一下源码,一般都是utf-8,但是不全是。
html = html.text    #这里需要获取对应的文本,以便后面进行正则匹配操作
在这里插入图片描述

接下来的操作,是对源码进行操作,这里最好有一些web前端的知识,不会的话至少要回查看源码(最简单的操作就是在网址栏前面加view-source

首先,在源码页搜一下jpg(百度图片的后缀,先找到图片的链接)

在这里插入图片描述

随便抓一个链接出来分析一下:

{"ObjURL":"http://tiebapic.baidu.com/forum/pic/item/6cad1f30e924b8998595da4079061d950b7bf6b6.jpg","ObjUrl":"http://tiebapic.baidu.com/forum/pic/item/6cad1f30e924b8998595da4079061d950b7bf6b6.jpg"

把里面的http://tiebapic.baidu.com/forum/pic/item/6cad1f30e924b8998595da4079061d950b7bf6b6.jpg抓出来,访问一下,发现可以访问。多试几个,发现只有objURL开头的才能访问,但是objURL开头的也不一定能访问。不管了,先将所有的以

"ObjURL":"xxxx"

格式的链接全部找出来,这时候就需要利用正则匹配了。代码如下:

urls = re.findall('"objURL":"(.*?)"',html,re.S)    #导入的re包就在这里用

要注意,re.findall匹配出来的数据是一个列表,需要用for循环一个个的访问:

i = 0
for url in urls:
    time.sleep(3)    #休眠3秒
    imag = requests.get(url,timeout = 6).content
     #timeout代表每次request请求最多6秒,不然万一卡住了呢
    if imag:
        with open(str(i) + '.jpg','wb') as f:
            print('正在下载第 %d 张图片:%s' % (i + 1,url))
            f.write(imag)
        i += 1
    else:
        print('链接超时,图片下载失败')
print('图片下载成功')

一个最最简单的爬虫写好了,但是稍微有一点点错误就会报错,没有所谓的健壮性,怎么改进爬虫呢,将在下一篇文章进行讲解。
完整代码如下,大家可以自行体验一下:

import requests
import re
import time

url = 'http://image.baidu.com/search/index?tn=baiduimage&word=皮卡丘'
html = requests.get(url)
html.encoding = html.apparent_encoding
html = html.text
urls = re.findall('"objURL":"(.*?)"',html,re.S)
i = 0
for url in urls:
    time.sleep(3)    #休眠3秒
    imag = requests.get(url,timeout = 6).content
     #timeout代表每次request请求最多6秒,不然万一卡住了呢
    if imag:
        with open(str(i) + '.jpg','wb') as f:
            print('正在下载第 %d 张图片:%s' % (i + 1,url))
            f.write(imag)
        i += 1
    else:
        print('链接超时,图片下载失败')
print('图片下载成功')

不算空行和注释,只有短短20行代码。果然人生苦短,我用python

文章来源于互联网:20行代码教你写爬虫!

发表评论