持续创作，加速成长！这是我参与「掘金日新计划 · 6 月更文挑战」的第23天，点击查看活动详情
目录
爬虫原理
1.获取网页
爬虫首先要做的工作就是获取网页，也就是获取网页的源代码，源代码包含了网页的部分有用信息，所以只要把源代码获取下来，就可以从中提取想要的信息。
根据请求和响应的概念，向网站的服务器发送一个请求，返回的响应体便是网页源代码， 因此最关键的部分就是构造一个请求并发送给服务器，然后接受到响应并将其解析出来。
Python就是实现爬虫的一个非常好用的工具，它提供了许多库来帮助我们实现这个操作，如urllib、request等。我们可以用这些库来帮助我们实现HTTP请求操作，请求和响应都可以用类库提供的数据结构来表示，得到响应之后只需要解析数据结构中的Body部分即可。
总结：
通过python的爬虫相关库，实现HTTP请求操作，得到服务器响应，获取到网页源代码
2.提取信息
获取网页源代码后，接下来就是分析网页源代码，从中提取我们想要的数据，通用的万能法是采用正则表达式提取，缺点是比较复杂和容易出错。
另外，由于网页结构有一定规则，python还有一些根据网页节点属性、CSS选择器或XPath来提取网页信息的库，如Beautiful Soup 、pyquery、lxml等。使用这些库，我们可以高效快速地从中提取网页信息，如节点属性、文本值等。
提取信息是爬虫中非常重要的部分，它可以从杂乱的数据中获取有效的信息，方便我们后续对数据的处理和分析。
总结：
正则表达式是万能提取法，也可以使用一些从网页节点属性、CSS选择器等方面入手提取信息的库，比如Beautiful Soup 、pyquery、lxml等。
3.保存数据
提取信息后，我们一般会将提取到的数据保存到某处以便后续使用，保存形式多种多样，简单的处理可以保存为TXT或JSON文本。也可以保存到数据库，如MySQL和MongoDB等。或者保存至远程服务器。
4.自动化程序
简单来说，就是爬虫可以在抓取过程中进行各种异常处理、错误重试等操作，持续高效的自动化完成获取网页、信息提取、保存数据的工作。
python 获取图片等网站数据
新建文件name.text
编辑
import re
import requests
from urllib import error
from bs4 import BeautifulSoup
import os
num = 0
numPicture = 0
file = ''
List = []
def Find(url, A):
global List
print('正在检测图片总数，请稍等.....')
t = 0
i = 1
s = 0
while t < 1000:
Url = url + str(t)
try:
# 这里搞了下
Result = A.get(Url, timeout=7, allow_redirects=False)
except BaseException:
t = t + 60
continue
else:
result = Result.text
pic_url = re.findall('"objURL":"(.*?)",', result, re.S) # 先利用正则表达式找到图片url
s += len(pic_url)
if len(pic_url) == 0:
break
else:
List.append(pic_url)
t = t + 60
return s
def recommend(url):
Re = []
try:
html = requests.get(url, allow_redirects=False)
except error.HTTPError as e:
return
else:
html.encoding = 'utf-8'
bsObj = BeautifulSoup(html.text, 'html.parser')
div = bsObj.find('div', id='topRS')
if div is not None:
listA = div.findAll('a')
for i in listA:
if i is not None:
Re.append(i.get_text())
return Re
def dowmloadPicture(html, keyword):
global num
# t =0
pic_url = re.findall('"objURL":"(.*?)",', html, re.S) # 先利用正则表达式找到图片url
print('找到关键词:' + keyword + '的图片，即将开始下载图片...')
for each in pic_url:
print('正在下载第' + str(num + 1) + '张图片，图片地址:' + str(each))
try:
if each is not None:
pic = requests.get(each, timeout=7)
else:
continue
except BaseException:
print('错误，当前图片无法下载')
continue
else:
string = file + r'\' + keyword + '_' + str(num) + '.jpg'
fp = open(string, 'wb')
fp.write(pic.content)
fp.close()
num += 1
if num >= numPicture:
return
if __name__ == '__main__': # 主函数入口
headers = {
'Accept-Language': 'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
'Connection': 'keep-alive',
'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:60.0) Gecko/20100101 Firefox/60.0',
'Upgrade-Insecure-Requests': '1'
}
A = requests.Session()
A.headers = headers
###############################
numPicture = 10
line_list = []
with open('./name.txt', encoding='utf-8') as file:
line_list = [k.strip() for k in file.readlines()] # 用 strip()移除末尾的空格
for word in line_list:
url = 'https://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=' + word + '&pn='
tot = Find(url, A)
Recommend = recommend(url) # 记录相关推荐
print('经过检测%s类图片共有%d张' % (word, tot))
file = word + '文件'
y = os.path.exists(file)
if y == 1:
print('该文件已存在，请重新输入')
file = word + '文件夹2'
os.mkdir(file)
else:
os.mkdir(file)
t = 0
tmp = url
while t < numPicture:
try:
url = tmp + str(t)
# result = requests.get(url, timeout=10)
# 这里搞了下
result = A.get(url, timeout=10, allow_redirects=False)
print(url)
except error.HTTPError as e:
print('网络错误，请调整网络后重试')
t = t + 60
else:
dowmloadPicture(result.text, word)
t = t + 60
# numPicture = numPicture + tm
print('当前搜索结束，感谢使用')
输入想要的图片数
图片这样
python
