[记录][python]python爬虫，下载某图片网站的所有图集

　　

随笔仅用于学习交流，转载时请注明出处，http://www.cnblogs.com/CaDevil/p/5958770.html

　　该随笔是记录我的第一个python程序，一个爬去指定图片站点的所有图集，现在还是一个非常简陋的单线程程序。下一步是改写成多线程，虽然python多线程被诋毁得一塌糊涂。同时加上异常处理。

　　近来练习python程序，仿照别人的爬虫写一个自己的爬虫来练练手。在编写的过程中遇到各种问题，中文编码、请求不到html等问题。撰写该随笔的目的是将所遇到的问题记录下来，并提供相应的解决方法。当然这些解决方法是参照其他人提供的，东抄抄西抄抄，^_^。

　　先大致描述下代码过程中遇到的问题： 随笔仅用于学习交流，转载时请注明出处，http://www.cnblogs.com/CaDevil/p/5958770.html

　html中文解码

　　虽然beautifulsoup默认的编码方式是utf-8，而且国内部分站点的编码方式是utf-8。还是需要手工设置一下中文的编码方式。

　　在BeautifulSoup中手工设置编码方式如下所示

encoding = "gb18030"

soup = BeautifulSoup(html,from_encoding=encoding)　　

　　

　list的append和extend使用 随笔仅用于学习交流，转载时请注明出处，http://www.cnblogs.com/CaDevil/p/5958770.html

　　查询相关资料，list中的append是向list插入一个值，extend则是将一个list插入另一个list中；

　　若要将list1并入list2中，则使用list2.extend(list1);

　　若向list中插入值的话，使用list.append(vale)

　beautifulsoup返回的值，可以直接查找符合条件的节点

　　beautifulsoup返回的值是一颗语法树，结果与html dom结构差不多[这个地方有些保留，我目前不是太了解dom结构]，通过find和find_all去查找相应的标签。前者返回一个标签的对象，后者返回list，该list的值是多个对象。

　将urllib.urlretrieve()尽量伪装成一个用户。

　　使用 urlretrieve之前，将发送的http请求做些简单的伪装，尽量伪装成为一个用户，避免站点不响应下载请求。若不设置的话，通过wireshark，可以查看到下载请求的user-agent的值与python有关，服务器可能会将下载请求给忽略掉。同时还可以添加上referer，有些站点通过referer来判断盗链。若不设置的话，下载的图片全是防盗链提示图片。 随笔仅用于学习交流，转载时请注明出处，http://www.cnblogs.com/CaDevil/p/5958770.html

        #伪装一下下载的http请求，否则有些站点不响应下载请求。

        #不设置的话，下载请求中的user-agent为python+版本号

        urllib.URLopener.version = 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.153 Safari/537.36 SE 2.X MetaSr 1.0'

        #下载图片到指定目录中，保留图片在服务器上的文件名

        urllib.urlretrieve(imgurl,downloadpath)

　　

　　废话有些多，上代码。为了避免宣传图片站点的嫌疑，不放该站点的链接。 代码仅用于学习交流。

import urllib2

import io

import random

import urllib

from bs4 import BeautifulSoup

import re

import os

import sys

reload(sys)

sys.setdefaultencoding('utf8')

def getHtml(url):

    #尽可能让爬虫显示为一个正常用户。若不设置，则发送的请求中，user-agent显示为Python+版本

    user_agent = [

        'Mozilla/5.0 (Windows NT 5.2) AppleWebKit/534.30 (KHTML, like Gecko) Chrome/12.0.742.122 Safari/534.30',

        'Mozilla/5.0 (Windows NT 5.1; rv:5.0) Gecko/20100101 Firefox/5.0',

        'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.2; Trident/4.0; .NET CLR 1.1.4322; .NET CLR 2.0.50727; .NET4.0E; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729; .NET4.0C)',

        'Opera/9.80 (Windows NT 5.1; U; zh-cn) Presto/2.9.168 Version/11.50',

        'Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/533.21.1 (KHTML, like Gecko) Version/5.0.5 Safari/533.21.1',

        'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; .NET CLR 2.0.50727; .NET CLR 3.0.04506.648; .NET CLR 3.5.21022; .NET4.0E; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729; .NET4.0C)'

    ]

    #设置网页编码格式，解码获取到的中文字符

    encoding = "gb18030"

    #构造http请求头，设置user-agent

    header = {"User-Agent":random.choice(user_agent)}

    #构造发送请求

    request = urllib2.Request(url,headers=header)

    #发送请求，获取服务器响应回来的html页面

    html = urllib2.urlopen(request).read()

    #使用beautifulSoup处理的html页面，类似dom

    soup = BeautifulSoup(html,from_encoding=encoding)

    return soup

# 获取整个站点所有图集的页码

def getPageNum(url):

    soup = getHtml(url)

    # 直接在站点首页获取所有图集的总页码

    nums=soup.find_all('a',class_='page-numbers')

    # 除掉“下一页”的链接，并获取到最后一页

    totlePage = int(nums[-2].text)

    return totlePage

#获取指定页面下图集名称和链接

def getPicNameandLink(url):

    soup = getHtml(url)

    meun = []

    #类似html dom对象，直接查找id为“pins”的ul标签，返回的结果是一个dom对象

    targetul = soup.find("ul",id="pins")

    if targetul:

        #获取该ul下所有的超链接，返回值的类型是list，find_all中第二个参数表示某个指定标签的属性

        pic_list = targetul.find_all("a",target="_blank")

        if pic_list:

           # 遍历所有指定的标签a

            for pic in pic_list:

                #获取图集的链接

                link = pic["href"]

                picturename = ""

                #找到标签a中，“class”为“lazy”的img标签。

                #find中，第二个参数表示某个指定标签的属性。

                #在python中class是保留字，所有标签的class属性的名称为“class_”

                img = pic.find("img",class_='lazy')

                if img:

                    # 保证中文字符能够正常转码。

                    picturename = unicode(str(img["alt"]))

                else:

                    continue

                #插入图集名称和对应的url

                meun.append([picturename,link])    

        return meun

    return None

#function获取所有的图集名称

def getallAltls(url):

    totalpage = getPageNum(url)

    #获取首页中所有的图集名称。首页的url和其他页面不同，没有page

    meun = getPicNameandLink(url)

    #循环遍历所有的图集页面，获取图集名称和链接

    for pos in range(2,totalpage):

        currenturl = url + "/page/" + str(pos)

        #getPicNameandLink()返回的值是一个list。

        #当一个list插入到另一个list中时，使用extend。

        #若是插入一个值时，可以用append

        meun.extend(getPicNameandLink(currenturl))

    return meun

# 获取从首页到指定页面所有的图集名称和链接

def getparAltls(url,page):

    meun = getPicNameandLink(url)

    for pos in range(2,page):

        currenturl = url + "/page/" + str(pos)

        meun.extend(getPicNameandLink(currenturl))

    return meun

#获取单个相册内图片页码

def getSinglePicNum(url):

    soup = getHtml(url)

    #pagenavi还是一个对象（Tag），可以通过find_all找出指定标签出来

    pagenavi = soup.find("div",class_="pagenavi")

    pagelink = pagenavi.find_all("a")

    num = int(pagelink[-2].text)

    return num

#下载单个相册中的所有图片

def getSinglePic(url,path):

    totalPageNum = getSinglePicNum(url)

    #从第一页开始，下载单个图集中所有的图片

    #range()第二个参数是范围值的上限，循环时不包括该值

    #需要加1以保证读取到所有页面。

    for i in range(1,totalPageNum + 1):

        currenturl = url + "/" + str(i)

        downloadpic(currenturl,path)

#下载单个页面中的图片

def downloadpic(url,path):

    soup = getHtml(url)

    #找出指定图片所在父容器div

    pageimg = soup.find("div",class_="main-image")

    if pageimg:

        #找出该div容器中的img，该容器中只有一个img

        img = pageimg.find("img")

        #获取图片的url

        imgurl = img["src"]

        #获取图片的文件名

        restring = r'[A-Za-z0-9]+\.jpg'

        reimgname = re.findall(restring,imgurl)

        #将图片保存在指定目录下

        path = str(path)

        if path.strip() == "":

            downloadpath = reimgname[0]

        else:

            downloadpath = path + "/" + reimgname[0]

        #伪装一下下载的http请求，否则有些站点不响应下载请求。

        #不设置的话，下载请求中的user-agent为python+版本号

        urllib.URLopener.version = 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.153 Safari/537.36 SE 2.X MetaSr 1.0'

        #下载图片到指定目录中，保留图片在服务器上的文件名

        urllib.urlretrieve(imgurl,downloadpath)

def downimgofsite(url,path = ""):

    path = str(path)

    #获取所有图集的名称和链接

    meun_list = getallAltls(url)

    directorypath = ""

    for meun in meun_list:

        directoryname = meun[0]

        if path.strip() != "":

            directorypath = path + "/" + directoryname

        else:

            directorypath = os.getcwd + "/" + directoryname

        if not os.path.exists(directorypath):

            os.makedirs(directorypath)

        getSinglePic(meun[1], directorypath)

if __name__ == "__main__":

   # page = 8

    url = "XXXXX"

    menu = getallAltls(url)

    #menu = getparAltls(url, page)  

    f = open("tsts.txt","a")

    for i in menu:

        f.write(str(unicode(i[0]))+"\t"+str(i[1])+"\n")

    f.close()

[记录][python]python爬虫，下载某图片网站的所有图集的相关教程结束。