数据管道
写在最前面：程序很简单，重要的是思路以及对错误的分析
1.确认目标和大体思路：
今天我们需要爬取的网站是：http://www.bbsnet.com/doutu
下面是网站的首页：
可以看见，这个网站的特点是，一个图片是一系列图片的集合，因此我们需要先获取每一个图片的地址，然后跳转进去才能获取里面真正的图片。
接下来我们首先获取第一页的图片地址，一般来说，第一页与其他页的差别就在于url的一些小差别，因此，搞定第一页等于搞定所有。
下面开始盘它。
补充：我们下面使用requets库请求和xpath来解析（附赠正则解析方法）
二、分析与编写代码：
1.第一步导入库：
#导包
from lxml import etree
import requests
import re
import time
2.第二步写出大体框架：
这里我们还是采用面向对象来写，因为这样后期如果要改为多线程还是挺容易的。
class MySpider(object):
def __init__(self):
#显然我们需要最基础的headers信息
self.headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36',
}
#其次我们需要url
self.url = 'http://www.bbsnet.com/doutu'
def run(self):
#首先我们需要一个函数获取每一个url
target_urls = self.get_target_urls()
#其次我们需要去获取每一个url里面的图片
self.get_target_images(target_urls)
def get_target_urls(self):
'''这里我们使用一个东西，比如列表等来存储url的结果并返回'''
pass
def get_target_images(self,target_urls):
'''这里我们需要接收之前获取的url，所以需要一个参数'''
pass
if __name__ == '__main__':
spider = MySpider()
spider.run()
显然上面的代码跟我们的思路一模一样，是不是so easy。
3.第三步完成第一个函数 -- get_target_urls()：
首先按照惯例，写下以下代码：
response = requests.get(self.url,headers=self.headers)
print(response.content.decode('utf-8'))
首先，分享下为什么有的时候我们对于文本要decode('utf-8')，而有时候对于文本需要decode('gbk')，这是根据网页源代码的编码形式来写的，比如这个网站的源代码如下：
但是，尝试运行了下，发现以下错误：
UnicodeEncodeError: 'gbk' codec can't encode character '\u2009' in position 424: illegal multibyte sequence
这个意思是说，这个网页存在一些字符是utf-8无法解码的，这是很正常的，毕竟有些神奇的字符，是utf-8无法表示的。
但是，大家不必紧张，这并不影响我们写代码。于是我们就这样吧，不解码了，直接以二进制的形式存储它，因为它并不影响我们去获取我们需要的链接。
于是写下这样代码：
response = requests.get(self.url,headers=self.headers)
text = response.content
好的，下面我们开始解析网页：
可以得到以下结果：
下面我们使用xpath来解析这个html代码，我们首先如上图定位a标签，显然这个a标签在h2标签里面，且这个h2标签里面只有这么一个a标签，所以十分容易获取，代码如下：
html = etree.HTML(text)
target_urls = html.xpath('//h2/a/@href')
print(target_urls)
下面是尝试打印的结果（部分）：
['http://www.bbsnet.com/aoteman.html', 'http://www.bbsnet.com/jieqian.html', 'http://www.bbsnet.com/youxitu.html', 'http://www.bbsnet.com/liaotian-3.html',......]
好的，至此，这个函数就完成了，是不是十分简单。该函数代码如下：
def get_target_urls(self):
response = requests.get(self.url,headers=self.headers)
text = response.content
html = etree.HTML(text)
target_urls = html.xpath('//h2/a/@href')
return target_urls
4.第四步完成第二个函数 --get_target_images():
老套路，写下下面的代码：
for url in target_urls:
response = requests.get(url,headers=self.headers)
text = response.content.decode('utf-8')
print(text)
#这里强烈建议加上break测试
break
于是，得到下面的结果：
<html><head><script type="text/javascript">function f(){window.location.href="http://www.bbsnet.com/aoteman.html";}script>head><body onload="f()"><img style="display:none" src="http://tieba.baidu.com/_PXCK_7132125338940_2652120900.gif" />body>html>
好吧，显然这并不是我们需要的结果，那这是什么呢？这段代码（html代码）会自动把我们重定向到首页，这样我们显然获取不成功，于是，我们怎么办呢？在访问一次就可以了，我们仅需要在加上一次请求即可获取所需的html代码。如下：
for url in target_urls:
response = requests.get(url,headers=self.headers)
response = requests.get(url,headers=self.headers)
text = response.content
#这里同上面，不解码，直接解析，原因同上
print(text)
break
结果如下（部分结果）：
b'html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">\r\n<html xmlns="http://www.w3.org/1999/xhtml">\r\n<head profile="http://gmpg.org/xfn/11">\r\n<meta charset="UTF-8">\r\n<meta http-equiv="Content-Type" content="text/html" />\r\n<meta name="referrer" content="no-referrer" />.......
好的，解决了这个大麻烦，我们下面的工作就很简单了。
可以得到以下内容：
我们需要获取img标签里面的src属性，仅需获取div标签下的p标签下的img标签即可。下面是代码：
for url in target_urls:
response = requests.get(url,headers=self.headers)
time.sleep(2) #一定要加上，不然会访问太快会被禁止的
response = requests.get(url,headers=self.headers)
text = response.content
#开始解析
html = etree.HTML(text)
target_images = html.xpath('//div[@id="post_content"]//p//img/@src')
print(target_images)
break
部分结果如下：
['http://wx1.sinaimg.cn/mw690/6a04b428ly1g19akwia0rg209b09qwgf.gif', 'http://wx1.sinaimg.cn/mw690/6a04b428ly1g19al1td90g209q08sq4i.gif',....]
好的，我们仅仅剩最后一步，下载图片，这里我给出两者方式：
方式一：使用urllib库里的urlretrieve()函数，代码如下：
#该段代码添加至获得target_images后面
#大家使用这个方法的话，一定要记得导入库：from urllib import request
for image_url in target_images:
request.urlretrieve(image_url,'./info/test.gif')
break
方式二：获取链接的源代码后保存至本地，代码如下：
#该段代码添加至获得target_images后面
for image_url in target_images:
response = requests.get(image_url,headers=self.headers)
f = open('./info/test.gif','wb')
f.write(response.content)
f.close()
break
两者的结果都如下：
ok，到此处，恭喜大家，已经完成了99%的任务了。下面就是完善和补充一些代码了。
此函数完整代码如下：
def get_target_images(self,target_urls):
for url in target_urls:
response = requests.get(url,headers=self.headers)
time.sleep(2)
response = requests.get(url,headers=self.headers)
text = response.content
html = etree.HTML(text)
target_images =html.xpath('//div[@id="post_content"]//p//img/@src')
for image_url in target_images:
request.urlretrieve(image_url,'./info/test.gif')
break
break
#建议大家测试的时候，加上break，如果有基础的可以考虑代理或者多线程
5.第五步优化与完善：
一个优秀的人，总是想写出点优秀的代码，所以优化必不可少
1.优化角度一：文件存储的优化：
首先，上面我在这个py文件下面创建了一个info文件夹，所以才能写"./info/..."这样的代码，但是我相信大家的目录下肯定没有。所以必须优化。
其次，我们可以这样考虑：使用os模块自动创建一个images的文件夹，其次可以在获取图片集合的url时顺便获取每个图片集合的标题，所以开始改写代码：
修改完成后如下（只需修改第二个函数）：
def get_target_images(self,target_urls):
os.mkdir('./images')
for url in target_urls:
response = requests.get(url,headers=self.headers)
time.sleep(2)
response = requests.get(url,headers=self.headers)
text = response.content
html = etree.HTML(text)
target_images = html.xpath('//div[@id="post_content"]//p//img/@src')
title = html.xpath('//div[@id="post_content"]//p//img/@title')[0]
os.mkdir('./images/'+title)
for index,image_url in enumerate(target_images):
response = requests.get(image_url, headers=self.headers)
#这里我是用文件方式下载，因为不知道为什么我运行urlretrieve下载时下太久了
f = open('./images/%s/%s.gif'%(title,index), 'wb')
f.write(response.content)
f.close()
break
示例结果；
2.优化角度二：速度优化：
我相信如果直接去掉break去爬取所有的肯定会报错，因为访问太快了，所以可以采取一定的优化手段去优化它，这里我推荐两种方式，第一种是多线程，第二种是代理。这里我就不给出如何实现这种优化了，因为这篇文章的目的不在于此。
3.优化角度三：代码本身优化：
这里第二个函数的代码其实有点长了，因为里面有两个循环。所以可以考虑将其中的每一个循环封装为一个新的函数。这个结果我将给在最后的全部代码里面。
4.优化角度四：异常捕获：
想要捕获异常，有简单的方式，也有复杂的方式。下面只给出简单方式的代码：
这里我们只需修改主函数：
def run(self):
try:
#首先我们需要一个函数获取每一个url
target_urls = self.get_target_urls()
#其次我们需要去获取每一个url里面的图片
self.get_target_images(target_urls)
except Exception as e:
print('错误原因：',e)
复杂的方式就是分别去获取一些常见的异常，如404或者其他异常。
5.完善代码：
下面给出如何爬取多页的思路：
首先我们需要提取出第一、二、三页的url，如下：
第一页：http://www.bbsnet.com/doutu
第二页：http://www.bbsnet.com/doutu/page/2
第三页：http://www.bbsnet.com/doutu/page/3
好的，下面提出共同的部分：http://www.bbsnet.com/doutu/page/ + 页数
这里为了验证上面对于第一页这个特殊页是否适用，访问http://www.bbsnet.com/doutu/page/1，结果可以成功访问，因此下面我们只需去一个个迭代即可获取一页页的图片。
代码我将给在整体代码中。
三、全部代码：
# -*- coding:utf-8 -*-
# Author: 自学小白菜
'''
既然选择了前进，那每一步都要认真的去做
'''
#导包
from lxml import etree
import requests
from urllib import request
import time
import os
class MySpider(object):
def __init__(self):
#显然我们需要最基础的headers信息
self.headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36',
}
#其次我们需要url
self.url = 'http://www.bbsnet.com/doutu/page/{page}'
def run(self):
try:
pages = int(input('请输入需要获取多少页：'))
for page in range(1,pages+1):
url = self.url.format(page = page)
#首先我们需要一个函数获取每一个url
target_urls = self.get_target_urls(url)
#其次我们需要去获取每一个url里面的图片
self.get_target_images(target_urls)
except Exception as e:
print('错误原因：',e)
def get_target_urls(self,url):
'''这里我们使用一个东西，比如列表等来存储url的结果并返回'''
response = requests.get(url,headers=self.headers)
text = response.content
#下面开始解析
html = etree.HTML(text)
target_urls = html.xpath('//h2/a/@href')
return target_urls
def get_target_images(self,target_urls):
'''这里我们需要接收之前获取的url，所以需要一个参数'''
os.mkdir('./images')
for url in target_urls:
target_images,title = self.get_info(url)
for index,image_url in enumerate(target_images):
self.download(image_url,index,title)
break
break
def get_info(self,url):
response = requests.get(url, headers=self.headers)
time.sleep(2)
response = requests.get(url, headers=self.headers)
text = response.content
# 开始解析
html = etree.HTML(text)
target_images = html.xpath('//div[@id="post_content"]//p//img/@src')
title = html.xpath('//div[@id="post_content"]//p//img/@title')[0]
os.mkdir('./images/' + title)
return target_images,title
def download(self,image_url,index,title):
response = requests.get(image_url, headers=self.headers)
f = open('./images/%s/%s.gif' % (title, index), 'wb')
f.write(response.content)
f.close()
if __name__ == '__main__':
spider = MySpider()
spider.run()
