python之网络爬虫
一、演绎自已的北爱
踏上北漂的航班，开始演奏了我自已的北京爱情故事
二、爬虫1
1、网络爬虫的思路
首先：指定一个url，然后打开这个url地址，读其中的内容。
其次：从读取的内容中过滤关键字；这一步是关键，可以通过查看源代码的方式获取。
最后：下载获取的html的url地址，或者图片的url地址保存到本地
2、针对指定的url来网络爬虫
分析：
第一步：大约共有4300个下一页。
第二步：一个页面上有10个个人头像
第三步：一个头像内大约有100张左右的个人图片
指定的淘宝mm的url为：http://mm.taobao.com/json/request_top_list.htm?type=0&page=1
这个页面默认是没有下一页按钮的，我们可以通过修改其url地址来进行查看下一个页面
最后一页的url地址和页面展示如下图所示：
点击任意一个头像来进入个人的主页，如下图
3、定制的脚本
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
|
#!/usr/bin/env python#coding:utf-8#Author：Allentuns#Email：[email protected]import urllib
import os
import sys
import time
ahref = '<a href="'
ahrefs = '<a href="h'
ahtml = ".htm"
atitle = "<img style"
ajpg = ".jpg"
btitle = '<img src="'
page = 0while page < 4300: #这个地方可以修改;最大值为4300，我测试的时候写的是3.
mmurl = "http://mm.taobao.com/json/request_top_list.htm?type=0&page=%d" %(page)
content = urllib.urlopen(mmurl).read()
href = content.find(ahref)
html = content.find(ahtml)
url = content[href + len(ahref) : html + len(ahtml)]
print url
imgtitle = content.find(btitle,html)
imgjpg = content.find(ajpg,imgtitle)
littleimgurl = content[imgtitle + len(btitle): imgjpg + len(ajpg)]
print littleimgurl
urllib.urlretrieve(littleimgurl,"/www/src/temp/image/taobaomm/allentuns.jpg")
s = 0
while s < 18:
href = content.find(ahrefs,html)
html = content.find(ahtml,href)
url = content[href + len(ahref): html + len(ajpg)]
print s,url
imgtitle = content.find(btitle,html)
imgjpg = content.find(ajpg,imgtitle)
littleimgurl = content[imgtitle : imgjpg + len(ajpg)]
littlesrc = littleimgurl.find("src")
tureimgurl = littleimgurl[littlesrc + 5:]
print s,tureimgurl
if url.find("photo") == -1:
content01 = urllib.urlopen(url).read()
imgtitle = content01.find(atitle)
imgjpg = content01.find(ajpg,imgtitle)
littleimgurl = content01[imgtitle : imgjpg + len(ajpg)]
littlesrc = littleimgurl.find("src")
tureimgurl = littleimgurl[littlesrc + 5:]
print tureimgurl
imgcount = content01.count(atitle)
i = 20
try:
while i < imgcount:
content01 = urllib.urlopen(url).read()
imgtitle = content01.find(atitle,imgjpg)
imgjpg = content01.find(ajpg,imgtitle)
littleimgurl = content01[imgtitle : imgjpg + len(ajpg)]
littlesrc = littleimgurl.find("src")
tureimgurl = littleimgurl[littlesrc + 5:]
print i,tureimgurl
time.sleep(1)
if tureimgurl.count("<") == 0:
imgname = tureimgurl[tureimgurl.index("T"):]
urllib.urlretrieve(tureimgurl,"/www/src/temp/image/taobaomm/%s-%s" %(page,imgname))
else:
pass
i += 1
except IOError:
print '/nWhy did you do an EOF on me?'
break
except:
print '/nSome error/exception occurred.'
s += 1
else:
print "---------------{< 20;1 page hava 10 htm and pic }-------------------------}"
page = page + 1
print "****************%s page*******************************" %(page)
else:
print "Download Finshed."
|
4、图片展示(部分图片)
5、查看下载的图片数量
二、爬虫2
1、首先来分析url
第一步：总共有7个页面；
第二步：每个页面有20篇文章
第三步:查看后总共有317篇文章
2、python脚本
脚本的功能:通过给定的url来将这片博客里面的所有文章下载到本地
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
|
#!/usr/bin/env python#coding: utf-8import urllib
import time
list00 = []i = j = 0page = 1while page < 8:
str = "http://blog.sina.com.cn/s/articlelist_1191258123_0_%d.html" %(page)
content = urllib.urlopen(str).read()
title = content.find(r"<a title")
href = content.find(r"href=",title)
html = content.find(r".html",href)
url = content[href + 6:html + 5]
urlfilename = url[-26:]
list00.append(url)
print i, url
while title != -1 and href != -1 and html != -1 and i < 350:
title = content.find(r"<a title",html)
href = content.find(r"href=",title)
html = content.find(r".html",href)
url = content[href + 6:html + 5]
urlfilename = url[-26:]
list00.append(url)
i = i + 1
print i, url
else:
print "Link address Finshed."
print "This is %s page" %(page)
page = page + 1
else:
print "spage=",list00[50]
print list00[:51]
print list00.count("")
print "All links address Finshed."
x = list00.count('')
a = 0while a < x:
y1 = list00.index('')
list00.pop(y1)
print a
a = a + 1
print list00.count('')
listcount = len(list00)while j < listcount:
content = urllib.urlopen(list00[j]).read()
open(r"/tmp/hanhan/"+list00[j][-26:],'a+').write(content)
print "%2s is finshed." %(j)
j = j + 1
#time.sleep(1)
else:
print "Write to file End."
|
3、下载文章后的截图
本文转自zys467754239 51CTO博客，原文链接：http://blog.51cto.com/467754239/1574528，如需转载请自行联系原作者