是不是很想知道那三步?
其实很简单!
1、打开网页,获取源码
2、获取图片
3、保存图片地址与下载图片
打开网页,获取源码
*由于多人同时爬虫某个网站时候,会造成数据冗余,网站崩溃,所以一些网站是禁止爬虫的,会返回403拒绝访问的错误信息。----获取不到想要的内容/请求失败/IP容易被封……..等
*解决办法:伪装——不告诉网站我是一个脚本,告诉它我是一个浏览器。(加上随便一个浏览器的头部信息,伪装成浏览器),由于是简单例子,那我们就不搞这些骚操作了。
获取图片
*Find函数 :只去找第一个目标,查询一次
*Find_all函数: 找到所有的相同的目标。
这里可能有一个解析器的问题,我们也不说了,出问题的同学百度一堆解决办法。
保存图片地址与下载图片
a.使用urlib---urlretrieve下载(保存位置:如果保存在跟*.py文件同一个地方,那么只需要文件夹名称即可,如果是其他地方,那么得写绝对路径。)
算了,不说那么多废话,既然是个简单例子,那我就直接贴代码吧。相信也没多少人呢看不懂。
提一句:用BeautifulSoup就可以不用正则;爬虫用正则,Bs4, xpath三种 选择一个就好。当然也可以混合使用,也还有其他种。
掌握上面的爬虫三步骤,一些简单的网站都可以直接搞定!
下面用一个小案例吧!
环境
需求:python3x pycharm
模块:urllib 、urllib2、bs4、re
代码: