Python爬虫爬取煎蛋网图片代码实例

末蓝、 2023-07-17 15:40 28阅读 0赞

这篇文章主要介绍了Python爬虫爬取煎蛋网图片代码实例,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下

今天，试着爬取了煎蛋网的图片。

用到的包：

urllib.request  
os  
分别使用几个函数，来控制下载的图片的页数，获取图片的网页，获取网页页数以及保存图片到本地。过程简单清晰明了

直接上源代码：

import urllib.request
    import os
     
     
    def url_open(url):
      req = urllib.request.Request(url)
      req.add_header('user-agent','Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36')
      response = urllib.request.urlopen(url)
      html = response.read()
     
      return html
     
    def get_page(url):
      html = url_open(url).decode('utf-8')
     
      a = html.find('current-comment-page')+23
      b = html.find(']',a)
     
      return html[a:b]
     
     
    def find_imgs(url):
      html = url_open(url).decode('utf-8')
      img_addrs = []
     
      a = html.find('img src=')
     
      while a != -1:
        b = html.find('.jpg',a ,a+255)
        if b != -1:
          img_addrs.append('https:'+html[a+9:b+4]) # 'img src='为9个偏移 '.jpg'为4个偏移
        else:
          b = a+9
        a = html.find('img src=', b)
     
      return img_addrs
     
     
    def save_imgs(folder, img_addrs):
      for each in img_addrs:
        filename = each.split('/')[-1]
        with open(filename, 'wb') as f:
          img = url_open(each)
          f.write(img)
        print(img_addrs)
     
    def download_mm(folder = 'xxoo', pages = 5):
      os.mkdir(folder)
      os.chdir(folder)
     
      url = 'http://jandan.net/ooxx/'
      page_num = int(get_page(url))
     
      for i in range(pages):
        page_num -= i
        page_url = url + 'page-'+ str(page_num) + '#comments'
        img_addrs = find_imgs(page_url)
        save_imgs(folder, img_addrs)
     
    if __name__ == '__main__':
      download_mm()

其中在主函数download\_mm()中，将pages设置在了5面。

本来设置的是10，但是在程序执行的过程中。出现了404ERROR错误

即imgae\_url出现了错误。尝试着在save\_img()函数中加入了测试代码：print(img\_addrs)，![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hhb3h1bjEy_size_16_color_FFFFFF_t_70]  
想到会不会是因为后面页数的图片，img\_url的格式出现了改变，导致404，所以将pages改成5，

再次运行，结果没有问题，图片能正常下载：![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hhb3h1bjEy_size_16_color_FFFFFF_t_70 1]  
仔细观察发现，刚好是在第五面的图片往后，出现了不可下载的问题（404）。所以在煎蛋网上，我们直接跳到第6面查看图片的url。![在这里插入图片描述][20200322213918143.png]  
上图是后5面的图片url，下图是前5面的图片url![在这里插入图片描述][20200322213927717.png]  
而源代码中，寻找的图片url为使用find()函数，进行定为<img src=‘’> <.jpg>中的图片url，所以后5面出现的a href无法匹配，即出现了404 ERROR。如果想要下载后续的图片，需要重新添加一个url定位

即在find中将 img src改成 a href，偏移量也需要更改。

总结：

使用find()来定位网页标签确实太过low，所以以后在爬虫中要尽量使用正则表达式和Beautifulsoup包来提高效率，而这两项我还不是特别熟，所以需要更多的训练  
最后给大家推荐一个口碑不错的python聚集地【[点击进入][Link 1]】，这里有很多的老前辈学习技巧，学习心得，面试技巧，职场经历等分享，更为大家精心准备了零基础入门资料，实战项目资料，每天都有程序员定时讲解Python技术，分享一些学习的方法和需要留意的小细节

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hhb3h1bjEy_size_16_color_FFFFFF_t_70]: /images/20230528/c9b0df4b5dc5438fbe67ef23c09cb5a1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hhb3h1bjEy_size_16_color_FFFFFF_t_70 1]: /images/20230528/ce956409dfb24815856361813db22f93.png
[20200322213918143.png]: /images/20230528/5e2d753d0ef94e08b67c4476fe92aefc.png
[20200322213927717.png]: /images/20230528/7379ae8b18064010810649f98c74a1db.png
[Link 1]: https://jq.qq.com/?_wv=1027&k=5cb1kUZ