利用Python完成简单的图片爬取

　　最近学习到了爬虫，瞬时觉得很高大上，想取什么就取什么，感觉要上天。这里分享一个简单的爬取汽车之家文章列表的图片教程，供大家学习。

需要的知识点储备

　　本次爬虫脚本依赖两个模块：requests模块，BeautifulSoup模块。其中requests模块完成url的请求，而BeautifulSoup模块负责解析Html标签。

requests模块

　　requests.get(url) 向URL发起GET请求

　　requests.post(url) 向URL发起POST请求

>>> import requests

>>> response = requests.get('https://www.baidu.com')

>>> print(response.text)

<!DOCTYPE html>

<!--STATUS OK--><html> <head><meta http-equiv=content-type content=text/html;charset=utf-8><meta http-equiv=X-UA-Compatible content=IE=Edge><meta content=always name=referrer><link rel=styleshee

......

......

</body> </html>

# 上面为页面信息

>>>

可以看到response是服务端返回的信息：在requests内部也被封装成了一个对象，它具有很多属性，主要如下：

response.text：以字符串的形式显示返回的信息　　
response.content：以字节的形式显示返回的信息(bytes对象)　　
response.encode：告诉requests 已什么编码格式进行解析
response.url：请求的url(当使用get方式发送数据时，可以显示具体的url)
response.encoding：查看requests自动识别的网页编码
response.json()：对于返回值是json格式的，那么可以直接使用json()，提取成字典
response.headers：获取响应头信息(响应头是一个字典，支持字典操作)
response.cookies：获取服务端响应的cookies

数据提交

　　访问站点时进行数据提交根据请求的方式不同，主要分两种，即GET提交，POST提交。

　　当使用GET方式提交时，数据是拼接到URL进行提交的，那么这个时候需要使用params参数来定制提交的数据(提交的数据为字典类型)

import requests

data = {'wd': '词典'}

response = requests.get('http://www.baidu.com/s', params=data)

print(response.url)    # http://www.baidu.com/s?wd=%E8%AF%8D%E5%85%B8     --> 中文会被编码

print(response.text)   # 返回的内容

　　当使用POST方式提交时，数据是放在请求体中提交的，那么这个时候就需要使用data参数了(提交的数据为字典类型)

import requests

data = {'wd': '词典'}

response = requests.post('http://www.baidu.com/s', data=data)   # 注意

PS：requests的data参数使用application/x-www-form-urlencoded对POST数据编码。如果要传递JSON数据，可以使用json参数来让requests对数据使用json编码。

文件上传

上传文件需要更复杂的编码格式，但是requests把它简化成files参数：

>>> upload_files = {'file': open('report.xls', 'rb')}

>>> r = requests.post(url, files=upload_files)

在读取文件时，注意务必使用'rb'即二进制模式读取，这样获取的bytes长度才是文件的长度。

把post()方法替换为put()，delete()等，就可以以PUT或DELETE方式请求资源。

BeautifulSoup模块

　　soup = BeautifulSoup(html页面,features='html.parser') 把返回的页面交给BeautifulSoup进行处理，生成soup对象，其中features表示使用的解析方式，这里使用html.parser，因为内置，其他的也可以使用lxml，速度要快于html.parser但是需要额外安装。

　　soup 是BeautifulSoup对象，它具有查找修改获取等等众多功能。

1. soup.find()　　用于对HTML标签进行查找，找到一个就返回
2. soup.find_all() 用户对HTML标签进行遍历，查到所有的标签后，以列表的形式返回　　
3. soup.get()　　　获取标签的单个属性的值
4. soup.attrs 获取标签的所有属性，返回字典　　
5. soup.text　　获取标签的内容

利用Python完成汽车直接文章列表的图片爬取

　　想要爬取什么信息，那么首先需要我们查看一下相关网页的源码信息，确定要爬取的标签以及属性。

确认爬取信息

　　打开http://www.autohome.com.cn/all/ 文章评测页面。打开调试模式，查看网页源码

<div id="auto-channel-lazyload-article" class="article-wrapper">

    <ul class="article">

        <li data-artidanchor="908300">

            <a href="//www.autohome.com.cn/news/201710/908300.html#pvareaid=102624">

                <div class="article-pic"><img

                        src="//www2.autoimg.cn/newsdfs/g21/M06/8A/59/120x90_0_autohomecar__wKgFVVnpmymAYrwNAAFqGWS9P0k275.jpg">

                </div>

                <h3>全新外观设计 全新Vanquish谍照曝光</h3>

                <div class="article-bar">

                    <span class="fn-left">56分钟前</span>

                    <span class="fn-right">

                                        <em><i class="icon12 icon12-eye"></i>4130</em>

                                        <em data-class="icon12 icon12-infor" data-articleid="908300"><i

                                                class="icon12 icon12-infor"></i>19</em>

                                    </span>

                </div>

                <p>[汽车之家 海外谍照] 日前，有海外媒体曝光了一组阿斯顿·马丁全新一代Vanquish车型路试谍照，新车在外观部分进行了全面的革新，此外，...</p>

            </a>

        </li>

        <li data-artidanchor="908294">

            <a href="//www.autohome.com.cn/culture/201710/908294.html#pvareaid=102624">

                <div class="article-pic"><img

                        src="//www3.autoimg.cn/newsdfs/g15/M10/B6/51/120x90_0_autohomecar__wKjByFnpd-uAVVwWAAFlp02ujCY900.jpg">

                </div>

                <h3>买游戏送汽车 《GT赛车》发布最强同捆</h3>

                <div class="article-bar">

                    <span class="fn-left">3小时前</span>

                    <span class="fn-right">

                                        <em><i class="icon12 icon12-eye"></i>8318</em>

                                        <em data-class="icon12 icon12-infor" data-articleid="908294"><i

                                                class="icon12 icon12-infor"></i>49</em>

                                    </span>

                </div>

                <p>[汽车之家 车坛勐料] 先来做个名字解释，“同捆”是指游戏主机外加一款或多款游戏的套装，很多时候“同捆包”中还会包含一些该游戏的周边产品，比如模型。...</p>

            </a>

        </li>

        ...

        ...

        ...

    </ul>

</div>

　　观察源码发现，得出的结论：

1. 要获取的信息都被一个div标签包裹，并且该标签具有id属性，由于id属性页面唯一，可以通过该属性确定查找范围
2. li标签是一条一条的文章信息
3. 每个文章信息中的img标签的src属性即为图片的地址

完整的代码

import requests

from bs4 import BeautifulSoup

response = requests.get(url='http://www.autohome.com.cn/all/')

response.encoding = 'gbk'

soup = BeautifulSoup(response.text,features='html.parser')

tag = soup.find(id='auto-channel-lazyload-article')

title = tag.find_all('li')

for tag in title:

    if tag.find('h3'):

        print(tag.find('h3').text)

    if tag.find('a'):

        print('http:'+tag.find('a').get('href'))

    if tag.find('img'):

        img_url = tag.find('img').get('src')

        imgname = img_url.split('/')[-1]

        img_obj = requests.get('http:'+img_url)

        with open('imgs/%s' % imgname,mode='wb') as f:

            f.write(img_obj.content)

注意：

由于汽车之家页面使用gbk编码，所以这里指定编码格式为gbk，否则会出现乱码。
获取图片的url然后下载，把图片保存在本地

Python爬虫学习 - day1 - 爬取图片的更多相关文章

python爬虫学习(7) —— 爬取你的AC代码
上一篇文章中,我们介绍了python爬虫利器--requests,并且拿HDU做了小测试. 这篇文章,我们来爬取一下自己AC的代码. 1 确定ac代码对应的页面如下图所示,我们一般情况可以通过该顺序 ...
Python爬虫学习之爬美女图片
最近看机器学习挺火的,然后,想要借助业余时间,来学习Python,希望能为来年找一份比较好的工作. 首先,学习得要有动力,动力,从哪里来呢?肯定是从日常需求之中来.我学Python看网上介绍.能通过P ...
Python爬虫学习(二) ——————爬取前程无忧招聘信息并写入excel
作为一名Pythoner,相信大家对Python的就业前景或多或少会有一些关注.索性我们就写一个爬虫去获取一些我们需要的信息,今天我们要爬取的是前程无忧!说干就干!进入到前程无忧的官网,输入关键字&q ...
python爬虫学习(2) —— 爬一下ZOL壁纸
我喜欢去ZOL找一些动漫壁纸当作桌面,而一张一张保存显然是太慢了. 那怎么办呢,我们尝试使用简单的爬虫来解决这个问题. 0. 本爬虫目标抓取给定分类「或子分类」网址的内容分析并得到每个分类下的所有 ...
python爬虫学习之爬取全国各省市县级城市邮政编码
实例需求:运用python语言在http://www.ip138.com/post/网站爬取全国各个省市县级城市的邮政编码,并且保存在excel文件中实例环境:python3.7 requests库 ...
python爬虫---scrapy框架爬取图片,scrapy手动发送请求,发送post请求,提升爬取效率,请求传参(meta),五大核心组件,中间件
# settings 配置 UA USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, l ...
python爬虫学习05-爬取图片
python爬虫学习05-爬取图片确定要爬取的网址:https://shenan.tuchong.com/20903415/#image309854686 要爬取的内容:使用浏览器插件xpath对图 ...
python爬虫学习01--电子书爬取
python爬虫学习01--电子书爬取 1.获取网页信息 import requests #导入requests库 ''' 获取网页信息 ''' if __name__ == '__main__': ...
[python爬虫] Selenium定向爬取海量精美图片及搜索引擎杂谈
我自认为这是自己写过博客中一篇比较优秀的文章,同时也是在深夜凌晨2点满怀着激情和愉悦之心完成的.首先通过这篇文章,你能学到以下几点: 1.可以了解Python简单爬取图片的一些思路和方法 ...

随机推荐

Ajax跨域请求解决方式
前端 jQuery方式 .ajax({ type: "POST", url: "http://xxx.com/api/test", dataType: 'jso ...
5.爬虫 requests库讲解高级用法
0.文件上传 import requests files = {'file': open('favicon.ico', 'rb')} response = requests.post("ht ...
LeetCode 2——两数相加
1. 题目 2. 解答循环遍历两个链表若两个链表都非空,将两个链表结点的值和进位相加求出和以及新的进位若其中一个链表为空,则将另一个链表结点的值和进位相加求出和以及新的进位然后将每一位的和添加 ...
Python图像全屏显示
需要在嵌入式设备上全屏显示图像,使用pil显示图像时,只能通过系统的图像浏览器显示.所以使用Python自带的tkinter import Tkinter as tk 这句在Python3中已经改 ...
用JAVA写一个多线程程序，写四个线程，其中二个对一个变量加1，另外二个对一个变量减1
package com.ljn.base; /** * @author lijinnan * @date:2013-9-12 上午9:55:32 */ public class IncDecThrea ...
DP入门（4）——线性结构上的动态规划
一.最长上升子序列(LIS) 给定n个整数A1,A2,…,An,按从左到右的顺序选出尽量多的整数,组成一个上升子序列(子序列可以理解为:删除0个或多个数,其他数的顺序不变).例如序列1,6,2,3,7 ...
解决ecplise安装mybatipse插件时报找不到jar包的错
在安装mybatipse插件的时候一直报这个错,脑袋疼,在网上搜了半天也没有结果,最后摸索了半天解决了,这里先贴一张图 1.先找到eclipse的安装目录,然后把相应的jar包拷到plugins里去, ...
NHibernate3.3.3 学习笔记1
前言昨天在园友的介绍下,我找了一本学习NHibernate的书:<NHibernate 3 Beginner’s Guide>. 第一章我直接跳过了,因为是英文版的看起来很吃力,且第一章 ...
集显也能硬件编码：Intel SDK && 各种音视频编解码学习详解
http://blog.sina.com.cn/s/blog_4155bb1d0100soq9.html INTEL MEDIA SDK是INTEL推出的基于其内建显示核心的编解码技术,我们在播放高清 ...
域名/网站名/URL
http://mail.163.com/index.html 1)http://:协议,也就是HTTP超文本传输协议,网页在网上传输的协议. 2)mail:服务器名,代表着是一个邮箱服务器,所以是ma ...

Python爬虫学习 - day1 - 爬取图片