python写的百度贴吧相册下载
突然想搞个这样的工具,写来写去都不知道在干嘛了,本来两个文件,现在整合在一起了。
乱得不行,懒得整理了,能用就行。
下载部分用了多线程,但是下载一个文件还是用的单线程,也就是没管http头的range问题。貌似速度也不咋地。
开始遇到的一个问题是直接用urllib的urlretrieve或者是先urlopen再read()出来老是出错,或者丢失,后来本来打算外挂一个wget.exe来下载,想来想去还是得不偿失,所以现在分几个block来读,应该是可以的。
另外百度相册用了ajax的动态页面加载技术,所以在浏览器上看到的带#号或者#!的url不能直接用urllib去open,#后的东西是不会POST到服务器的。
后来用浏览器的审查元素工具,切换到网络页面,发现请求的url,其实还是传递了参数的,这就比较好解决了。
算了,丢代码吧。
PS:最近发现美版的《极速前进》很好看,这段时间一直在看
# -*- coding: cp936 -*-
import urllib,re,urllib2
import os,os.path
import time
import threading
import sys IS_DEBUG = False
MULTI_THREAD = False
MAX_Thread = 20 tieba_info_fp = "" #tbName = raw_input("输入贴吧名称:")
tbName = ""
tieba_url_base = "http://tieba.baidu.com"
pgUrl_base="http://tieba.baidu.com/photo/g?kw="
photo_url_base = "http://imgsrc.baidu.com/forum/pic/item/" BLOCK_SIZE = 4096
threadLock = threading.Lock() # 打印信息到文件和屏幕
def print_f(msg):
global tieba_info_fp
print msg
tieba_info_fp.write(msg+'\n')
tieba_info_fp.flush() def download_file(url,path):
if os.path.isfile(path):
return
r = urllib.urlopen(url)
fileName = ""
if path != "":
fileName = path
elif r.info().has_key('Content-Disposition'):
fileName = r.info()['Content-Disposition'].split('filename=')[1]
fileName = fileName.replace('"', '').replace("'", "")
else:
fileName = url[url.rfind('/')+1:] if os.path.isfile(fileName):
return
else:
file_length = int(r.info()['Content-Length'])
download_size=0
f = open(fileName, 'wb')
try:
while download_size<file_length:
dat = r.read(BLOCK_SIZE)
l = len(dat)
if l>0:
f.write(dat)
download_size += l
else:
f.close()
os.remove(fileName)
raise Exception,"time out"
except Exception,e:
f.close()
os.remove(fileName)
raise Exception,e
finally:
f.close() class MultiDownload(threading.Thread):
def __init__(self,dat):
threading.Thread.__init__(self)
self.dat = dat
def run(self):
while 1:
pos,url,path = self.dat.start_one()
if pos == None:
break
try:
download_file(url,path)
self.dat.end_one(pos)
#出错标记为未下载
except Exception,e: self.dat.renew_one(pos)
print url,e class DData:
def __init__(self):
self.pos = 0
self.url = []
self.path = []
#0 1 2
self.status = [] def add(self,url,path):
self.url.append(url)
self.path.append(path)
self.status.append('0')
self.pos += 1 #获取一条未下载的数据,并设置为1(正在下载),返回pos,所有都下载完返回None
def start_one(self):
try:
pos = self.status.index('0')
threadLock.acquire()
self.status[pos] = '1'
threadLock.release()
return pos,self.url[pos],self.path[pos]
except ValueError:
return None,None,None #结束一条下载
def end_one(self,pos):
threadLock.acquire()
self.status[pos] = '2'
threadLock.release() #标记未下载一条下载
def renew_one(self,pos):
threadLock.acquire()
self.status[pos] = '0'
threadLock.release() def multi_download_run(url_list,path_list=[],MAX_Thread=10):
dat = DData()
for i in xrange(0,len(url_list)):
if path_list==[]:
fn = url[url.rfind('/')+1:]
path = os.path.join(os.getcwd(),fn)
else:
path = path_list[i]
dat.add(url_list[i],path)
threads = []
for i in xrange(0,MAX_Thread):
threads.append(MultiDownload(dat))
for t in threads:
t.start()
for t in threads:
t.join() def multi_download(pic_list):
url_list = []
path_list =[]
for id in pic_list:
fn = id + ".jpg"
url = photo_url_base + fn
path = os.path.join(os.getcwd(),fn)
url_list.append(url)
path_list.append(path)
multi_download_run(url_list,path_list,MAX_Thread=10) # 进入子目录,如果不存在则创建
def chsubdir(dirname):
cwd=os.getcwd()
subdir = os.path.join(cwd,dirname)
if os.path.exists(subdir) == False:
os.mkdir(subdir)
os.chdir(subdir) ## 读取相册
def read_album(tid,name):
chsubdir(name)
if IS_DEBUG == True:
return
url= 'http://tieba.baidu.com/photo/bw/picture/guide?kw=%s&tid=%s&see_lz=1&from_page=0&alt=jview&next=15'%(tbName,tid)
# print url
pageData = urllib.urlopen(url).read()
#print pageData
p = re.compile('"pic_amount":(\d+),')
pic_amount = p.search(pageData).group(1)
print_f ("┗━━"+name + ' '+pic_amount + '张')
p = re.compile('"original":{"id":"(\S+?)"')
find_list = p.findall(pageData)
pic_list = find_list
i= len(pic_list)
pic_amount=int(pic_amount) # 转化为整数型
while pic_amount>i:
#print i
url2 = url+"&prev=0&pic_id="+pic_list[-1]
pageData = urllib.urlopen(url2).read()
p = re.compile('"original":{"id":"(\S+?)"')
find_list = p.findall(pageData)
pic_list = pic_list + find_list[1:]
i=len(pic_list)
multi_download(pic_list) ## 读取相册集
def read_catalog(url,name):
if name != '':
chsubdir(name)
print_f(name)
page = 1
while 1:
url_page = "%s&pn=%d"%(url,page)
pageData = urllib2.urlopen(url_page).read()
p = re.compile ('<div class="grbm_ele_title.+?href="(\S+?)".+?title="(.+?)"',re.S)
result = p.findall(pageData)
root_dir = os.getcwd()
if len(result)==0:
break
else :
for a in result:
#cUrl = tieba_url_base + a[1]
tid=a[0][3:]
cName = a[1]
os.chdir(root_dir)
read_album(tid,cName)
page += 1 ## 读取根目录信息
def read_root(url,name):
global tieba_info_fp
chsubdir(name)
try:
tieba_info_fp = file('%s吧信息.txt'%(name),"w")
print_f('【%s】'%(name))
pageData = urllib.urlopen(url).read()
#1、读取总相片数量
p = re.compile ('<div class="picture_amount_total">共有图片 (\d+?) 张</div>',re.S)
result = p.findall(pageData)
picture_amount_total = 0
if len(result) == 0:
print_f('可能这个贴吧不存在,或者这个程序已经不能使用')
tieba_info_fp.close()
return
else:
picture_amount_total = int(result[0])
print_f('共有图片 %d 张'%(picture_amount_total)) #2、先尝试存在相册分类的情况
p = re.compile ('<li class="catalog_li_normal.+?href="(\S+?)".+?catalog_a_inner">(.+?)<span class="catalog_a_amount">\((\d+?)\)</span>',re.S)
result = p.findall(pageData)
root_dir = os.getcwd()
if len(result)>0:
for a in result:
cat_id = a[0][10:]
cat_name = a[1]
os.chdir(root_dir)
cat_url = url+ "&cat_id=" + cat_id
read_catalog(cat_url,cat_name)
#3、没有相册分类,直接获取所有相册目录
else:
cat_url = url+ "&cat_id=all"
read_catalog(cat_url,'')
except Exception,e:
print e
finally:
tieba_info_fp.close() def main():
global tbName
args = len(sys.argv)
if args>1:
for i in range(1,args):
tbName = sys.argv[i]
print sys.argv[i]
pgUrl = pgUrl_base + tbName
read_root(pgUrl,tbName)
else:
tbName = raw_input("输入贴吧名称:")
pgUrl = pgUrl_base + tbName
read_root(pgUrl,tbName) if __name__ == '__main__':
main()
python写的百度贴吧相册下载的更多相关文章
- python写的百度图片爬虫
学了一下python正则表达式,写一个百度图片爬虫玩玩. 当技术遇上心术不正的人,就成我这样的2B青年了. python3.6开发.程序已经打包好,下载地址: http://pan.baidu.com ...
- 用python写一个百度翻译
运行环境: python 3.6.0 今天处于练习的目的,就用 python 写了一个百度翻译,是如何做到的呢,其实呢就是拿到接口,通过这个接口去访问,不过中间确实是出现了点问题,不过都解决掉了 先晾 ...
- 用python实现的百度音乐下载器-python-pyqt-改进版
之前写过一个用python实现的百度新歌榜.热歌榜下载器的博文,实现了百度新歌.热门歌曲的爬取与下载.但那个采用的是单线程,网络状况一般的情况下,扫描前100首歌的时间大概得到40来秒.而且用Pyqt ...
- 疯狂Python讲义PDF高清完整版免费下载|百度网盘
百度网盘:疯狂Python讲义PDF高清完整版免费下载 提取码:uzba 内容简介 <疯狂Python讲义>既是一本适合初学者入门Python的图书(一个8岁的小朋友在未出版前已学习了本书 ...
- 从Python开始学编程|PDF百度网盘免费下载|Python新手入门
百度网盘免费下载:从Python开始学编程|附PDF免费下载 提取码:7nkf 豆瓣评分: 本书封面: 读者评论: 内容简介 · · · · · · 改编自Vamei博客的<Python快速教 ...
- 笨办法学Python 3|百度网盘免费下载|新手基础入门书籍
点击下方即可百度网盘免费提取 百度网盘免费下载:笨办法学Python 3 提取码:to27 内容简介: 本书是一本Python入门书,适合对计算机了解不多,没有学过编程,但对编程感兴趣的读者学习使用. ...
- Python编程导论第2版|百度网盘免费下载|新手学习
点击下方即可免费下载 百度网盘免费下载:Python编程导论第2版 提取码:18g5 豆瓣评论: 介绍: 本书基于MIT 编程思维培训讲义写成,主要目标在于帮助读者掌握并熟练使用各种计算技术,具备用计 ...
- 像计算机科学家一样思考Python(第2版)|百度网盘免费下载|Python新手入门资料
像计算机科学家一样思考Python(第2版)|百度网盘免费下载 提取码:01ou 内容简介 · · · · · · 本书以培养读者以计算机科学家一样的思维方式来理解Python语言编程.贯穿全书的主 ...
- 《谁说菜鸟不会数据分析》高清PDF全彩版|百度网盘免费下载|Python数据分析
<谁说菜鸟不会数据分析>高清PDF全彩版|百度网盘免费下载|Python数据分析 提取码:p7uo 内容简介 <谁说菜鸟不会数据分析(全彩)>内容简介:很多人看到数据分析就望而 ...
随机推荐
- 实现推送功能APP端需要完成的工作
推送功能简介 实现推送的流程如下: 从APP注册推送功能,到APNS服务器发送推送消息给设备,有五个步骤. 一旦推送注册完成,应用自身的服务器以provider的身份提供推送. APP端实现 在代码方 ...
- 【编程基础】const与#define的区别
[前言] 相信大家看别人代码的时候都遇到过,有人用#define定义,也有人用const定义. 那么两者的区别到底是什么呢?哪个更好用呢? 网上查了又查,下面总结一下. [总结] 编译器处理方式不同 ...
- 淘宝语音搜索的实现——html5
作为一个专业的淘宝控,不知道从什么时候开始发现淘宝上居然还有语音搜索,好吧,因为好奇心作祟还是想一探究竟.不过我想仔细一点的人,都会发现在只有在webkit内核的浏览器上有,原因是它只支持webkit ...
- 给定一个函数rand()能产生0到n-1之间的等概率随机数,问如何产生0到m-1之间等概率的随机数?
题目:给定一个函数rand()能产生1到n之间的等概率随机数,问如何产生1到m之间等概率的随机数? 先把问题特殊化,例如原题变为给定一个函数rand5(),该函数可以随机生成1-5的整数,且生成概率一 ...
- 你所不知道的 URL
0.说明 第一幕 产品:大叔有用户反映账户不能绑定公众号.大叔:啊咧咧?怎么可能,我看看?大叔:恩?这也没问题啊,魏虾米.大叔:还是没问题啊,挖叉类.大叔:T T,话说产品姐姐是不是Java提供接口的 ...
- 开启Ubuntu Linux下VirtualBox访问USB功能
解决方法如下: 1.增加用户组usbfs sudo groupadd usbfs 2.查看usbfs用户组的gid cat /etc/group | grep usbfs usbfs:x:1002: ...
- 位图引起的内存溢出OutOfMemory解决方案
一.问题描述:Android下的相机在独自使用时,拍照没有问题,通过我们的代码调用时,也正常,但是更换了不同厂商的平板,ROM由Android4.0变成了Android4.1后,拍照出现了OutOfM ...
- hive优化之------控制hive任务中的map数和reduce数
一. 控制hive任务中的map数: 1. 通常情况下,作业会通过input的目录产生一个或者多个map任务. 主要的决定因素有: input的文件总个数,input的文件大小,集群设置的 ...
- caldera
Caldera International星期一宣布将公司名称变更为SCO Group,交易代码则改为SCOX,希望SCO可以在客户群当中建立更好的品牌认同. Caldera除了有自己的Linux版本 ...
- Java中可重入锁ReentrantLock原理剖析
本文由码农网 – 吴极心原创,转载请看清文末的转载要求,欢迎参与我们的付费投稿计划! 一. 概述 本文首先介绍Lock接口.ReentrantLock的类层次结构以及锁功能模板类AbstractQue ...