很久没有写博客了,这段时间一直在搞风控的东西,过段时间我把风控的内容整理整理发出来大家一起研究研究。

这两天抽空写了两个python爬虫脚本,一个使用re,一个使用xpath。

直接上代码——基于re:

spider.py

# -*- coding:utf-8 -*-

import urllib.request
import re
import tool
import os
import http.cookiejar # 抓取MOKO_MM
class Spider:
# 页面初始化
def __init__(self):
self.siteURL = 'http://www.moko.cc/focus|list.action'
self.tool = tool.Tool() # 获取索引页面的内容
def getPage(self, pageIndex):
url = self.siteURL + "?type=4&curPage=" + str(pageIndex)
request = urllib.request.Request(url)
response = urllib.request.urlopen(request)
return response.read().decode('utf-8') # 获取索引界面所有MM的信息,list格式
def getContents(self, pageIndex):
page = self.getPage(pageIndex)
pattern = re.compile(
'<div class="subMainContent".*?<a href="(.*?)".*?subFocus-07.*?<img src="(.*?)".*?subFocus-08.*?<h1>(.*?)</h1>',
re.S)
items = re.findall(pattern, page)
# item[0] 详情页链接
# item[1] 缩略图
# item[2] 标题
contents = []
for item in items:
contents.append([item[0], item[1], item[2].replace(" ", "-").replace("|", "-").replace(".", "-").replace(":", "-")])
return contents # 获取MM个人详情页面
def getDetailPage(self, infoURL):
def makeMyOpener(head={
'accept-encoding': 'deflate, sdch',
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
'Accept-Language': 'zh-CN,zh;q=0.8',
'Cookie': 'JSESSIONID=58C82905AD36B5DFA8D4F1C98A2559DC; Hm_lvt_8d82e75c6168ba4bc0135a08edae2a2e=1488505496; Hm_lpvt_8d82e75c6168ba4bc0135a08edae2a2e',
'Referer': 'https://mm.taobao.com/687471686.htm',
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:51.0) Gecko/20100101 Firefox/51.0'
}):
cookie = http.cookiejar.CookieJar()
opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cookie))
header = []
for key, value in head.items():
elem = (key, value)
header.append(elem)
opener.addheaders = header
return opener oper = makeMyOpener()
uop = oper.open(infoURL)
data = uop.read().decode('utf-8')
return data
# response = urllib.request.urlopen(infoURL)
# return response.read().decode('utf-8') # 获取个人文字简介
def getBrief(self, page):
pattern = re.compile(
'<div class="infoShow-12".*?<p align="center".*?<strong>(.*?)</strong>.*?<strong>(.*?)</strong>.*?<strong>(.*?)</strong>.*?<strong>(.*?)</strong>',
re.S) items = re.findall(pattern, page)
# item[0] 主页地址
# item[1] 头像
# item[2] 姓名
contents = []
for item in items:
contents.append([item[0], item[1], item[2]])
return contents # result = re.search(pattern, page)
# print(result.group())
# return self.tool.replace(result.group(1)) # 获取页面所有图片
def getAllImg(self, page):
pattern = re.compile('<div class="infoShow-12">(.*?)<div class="infoShow-13">', re.S)
# 个人信息页面所有代码
content = re.search(pattern, page)
# 从代码中提取图片
patternImg = re.compile('<img.*?src="(.*?)"', re.S)
images = re.findall(patternImg, content.group(1))
return images # 保存多张写真图片
def saveImgs(self, images, name):
number = 1
print(u"发现", name, u"共有", len(images), u"张照片")
for imageURL in images:
splitPath = imageURL.split('.')
splitPath = splitPath
fTail = splitPath.pop()
if len(fTail) > 3:
fTail = "jpg"
fileName = name + "/" + str(number) + "." + fTail
self.saveImg(imageURL, fileName)
number += 1 # 保存头像
def saveIcon(self, iconURL, name):
splitPath = iconURL.split('.')
fTail = splitPath.pop()
fileName = name + "/icon." + fTail
self.saveImg(iconURL, fileName) # 保存个人简介
def saveBrief(self, content, name):
fileName = name + "/" + name + ".txt"
f = open(fileName, "w+")
print(u"正在保存信息为", fileName)
# f.write(content.decode('utf-8'))
f.write(content) # 保存图片地址页到各文件夹中
def saveToLocal(self, Li, name):
fileName = name + "/" + "urlPage.txt"
print(u"正在保存图片地址页:", fileName)
# f.write(content.decode('utf-8'))
# pre=pre.replace("[","")
# pre=pre.replace("]","")+"\n"
# print (pre)
f = open(fileName, "w")
f.write(Li)
f.close() # 追加方式写入当前爬行的名字,后续调用
content = name + " "
with open('url.txt', 'a') as url:
url.write(content)
url.close()
print(name + u"追加完成!\n") # 传入图片地址,文件名,保存单张图片
def saveImg(self, imageURL, fileName):
try:
u = urllib.request.urlopen(imageURL)
data = u.read()
f = open(fileName, 'wb')
f.write(data)
print(u"正在保存的一张图片为", fileName)
f.close()
except urllib.request.URLError as e:
print(e.reason) # 创建新目录
def mkdir(self, path):
path = path.strip()
# 判断路径是否存在
# 存在 True
# 不存在 False
isExists = os.path.exists(path)
# 判断结果
if not isExists:
# 如果不存在则创建目录
print(u"新建了名字叫做", path, u'的文件夹')
# 创建目录操作函数
os.makedirs(path)
return True
else:
# 如果目录存在则不创建,并提示目录已存在
print(u"名为", path, '的文件夹已经创建成功')
return False # 将一页MOKO MM的信息保存起来
def savePageInfo(self, pageIndex):
# 获取第一页MOKO MM列表
contents = self.getContents(pageIndex)
for item in contents:
# item[0]个人详情URL,item[1]头像URL,item[2]姓名
print(u"发现一位名叫", item[2], u"的信息")
print(u"正在保存", item[2], "的信息") print(u"个人详情地址是", "http://www.moko.cc" + str(item[0]))
# 个人详情页面的URL
detailURL = "http://www.moko.cc" + str(item[0])
# 得到个人详情页面代码
detailPage = self.getDetailPage(detailURL)
# 获取个人简介
# brief = self.getBrief(detailPage)
# 获取所有图片列表
self.mkdir(item[2])
images = self.getAllImg(detailPage)
spider.saveImgs(images, item[2])
# 保存个人简介
# self.saveBrief(brief.encode('utf-8'), item[2])
# self.saveBrief(brief, item[2])
# 保存图片地址页到本地
# self.saveToLocal(detailPage, item[2])
# 保存头像
self.saveIcon("https:" + str(item[1]), item[2]) # 删除旧名单(如果有)
def deleteOldTxt(self):
filename = 'url.txt'
if os.path.exists(filename):
os.remove(filename)
print("\n发现旧名单,已删除\n采集开始\n") # 传入起止页码,获取MM页面保存
def savePagesInfo(self, start, end):
for i in range(start, end + 1):
print(u"正在寻找第", i, u"个地方")
self.savePageInfo(i)
# 保存图片
# self.saveImgs(images,item[2]) # 读取名字list
def openNameList(self):
with open("url.txt", "r") as f:
for line in f:
line = line.strip()
# line.split(",")
# result.append(line)
# result.append(line.split(","))
# \s匹配空格与tab,\s+表示至少一个
result = re.split(r'\s+', line)
return result # 逐个调取文件夹下页面中地址来保存
def saveAll(self):
i = spider.openNameList()
for name in i:
print("当前正在保存的是" + name + "的图片")
filepath = name + "/urlPage.txt"
with open(filepath, "r") as urlContent:
urlContent = urlContent.read()
images = spider.getAllImg(urlContent)
spider.saveImgs(images, name) # 传入起止页码即可,在此传入了6,10,表示抓取第6到10页的MM
spider = Spider()
spider.deleteOldTxt()
spider.savePagesInfo(1, 10)

tool.py

# -*- coding:utf-8 -*-
import re # 处理页面标签类
class Tool:
# 去除img标签,1-7位空格,
removeImg = re.compile(r'<img.*?>| {1,7}| ')
# 删除超链接标签
removeAddr = re.compile(r'<a.*?>|</a>')
# 把换行的标签换为\n
replaceLine = re.compile(r'<tr>|<div>|</div>|</p>')
# 将表格制表<td>替换为\t
replaceTD = re.compile(r'<td>')
# 将换行符或双换行符替换为\n
replaceBR = re.compile(r'<br><br>|<br>')
# 将其余标签剔除r
removeExtraTag = re.compile(r'<.*?>')
# 将多行空行删除
removeNoneLine = re.compile(r'\n+')
# 删除
removeSpace = re.compile(r' ') def replace(self, x):
x = re.sub(self.removeImg, "", x)
x = re.sub(self.removeAddr, "", x)
x = re.sub(self.replaceLine, "\n", x)
x = re.sub(self.replaceTD, "\t", x)
x = re.sub(self.replaceBR, "\n", x)
x = re.sub(self.removeExtraTag, "", x)
x = re.sub(self.removeNoneLine, "\n", x)
x = re.sub(self.removeSpace, "", x)
# strip()将前后多余内容删除
return x.strip()

利用python脚本(re)抓取美空mm图片的更多相关文章

  1. 如何利用Python网络爬虫抓取微信朋友圈的动态(上)

    今天小编给大家分享一下如何利用Python网络爬虫抓取微信朋友圈的动态信息,实际上如果单独的去爬取朋友圈的话,难度会非常大,因为微信没有提供向网易云音乐这样的API接口,所以很容易找不到门.不过不要慌 ...

  2. 利用Python网络爬虫抓取微信好友的签名及其可视化展示

    前几天给大家分享了如何利用Python词云和wordart可视化工具对朋友圈数据进行可视化,利用Python网络爬虫抓取微信好友数量以及微信好友的男女比例,以及利用Python网络爬虫抓取微信好友的所 ...

  3. 利用Python网络爬虫抓取微信好友的所在省位和城市分布及其可视化

    前几天给大家分享了如何利用Python网络爬虫抓取微信好友数量以及微信好友的男女比例,感兴趣的小伙伴可以点击链接进行查看.今天小编给大家介绍如何利用Python网络爬虫抓取微信好友的省位和城市,并且将 ...

  4. 如何利用Python网络爬虫抓取微信好友数量以及微信好友的男女比例

    前几天给大家分享了利用Python网络爬虫抓取微信朋友圈的动态(上)和利用Python网络爬虫爬取微信朋友圈动态——附代码(下),并且对抓取到的数据进行了Python词云和wordart可视化,感兴趣 ...

  5. 利用python scrapy 框架抓取豆瓣小组数据

    因为最近在找房子在豆瓣小组-上海租房上找,发现搜索困难,于是想利用爬虫将数据抓取. 顺便熟悉一下Python. 这边有scrapy 入门教程出处:http://www.cnblogs.com/txw1 ...

  6. 爬虫学习笔记(1)-- 利用Python从网页抓取数据

    最近想从一个网站上下载资源,懒得一个个的点击下载了,想写一个爬虫把程序全部下载下来,在这里做一个简单的记录 Python的基础语法在这里就不多做叙述了,黑马程序员上有一个基础的视频教学,可以跟着学习一 ...

  7. 【转】Python 代码批量抓取免费高清图片!

    import requests from bs4 import BeautifulSoup import random import time from fake_useragent import U ...

  8. 利用python脚本(xpath)抓取数据

    有人会问re和xpath是什么关系?如果你了解js与jquery,那么这个就很好理解了. 上一篇:利用python脚本(re)抓取美空mm图片 # -*- coding:utf-8 -*- from ...

  9. Python爬虫【三】利用requests和正则抓取猫眼电影网上排名前100的电影

    #利用requests和正则抓取猫眼电影网上排名前100的电影 import requests from requests.exceptions import RequestException imp ...

随机推荐

  1. 【转】RPC简单介绍

    RPC简单介绍 RPC 1. RPC是什么 RPC(Remote Procedure Call Protocol)——远程过程调用协议,它是一种通过网络从远程计算机程序上请求服务,而不需要了解底层网络 ...

  2. js学习(六)- js对象创建

    //---------------------js文件--------------------- var namespace02=new Object(); namespace02.Person=fu ...

  3. hive建表报错:Specified key was too long; max key length is 767 bytes,hadoophive

    情况描述 Hive建表时报错,元数据存储在mysql中. 报错信息 如下: FAILED: Execution Error, bytes com.mysql.jdbc.exceptions.jdbc4 ...

  4. js 对象转&拼接

    function pars(param, key, encode) { if (param == null) return ''; var arr = []; var t = typeof (para ...

  5. Flume的监控参数

    参考 flume的http监控参数说明 普通的flume启动命令 bin/flume-ng agent -c conf -f conf/flume-conf.properties -n agent - ...

  6. 给你的app添加桌面widget

    首先,什么是桌面widget,桌面widget是一种桌面插件,如下图: 这种类型的控件叫做widget,一般长按桌面会弹出一个界面让你选择控件,选择完了拖到桌面就能使用了. 下面我们为这个app来添加 ...

  7. 5迪米特法则LoD

    一.什么是迪米特法则 迪米特法则(Law of Demeter )又叫做最少知识 原则,也就是说,一个对象应当对其他对象尽可 能少的了解. 迪米特法则最初是用来作为面向对象的系统设 计风格的一种法则, ...

  8. 开发环境使用docker 快速启动 单机 RocketMq

    镜像说明 https://cr.console.aliyun.com/?spm=5176.2020520001.1001.8.kpaxIC&accounttraceid=176ddc4e-62 ...

  9. centos 7 mysql启动失败--学会看错误日志

    一.现象 mysql客户端连接时: ERROR 2002 (HY000): Can't connect to local MySQL server through socket '/tmp/mysql ...

  10. linux Ubuntu系统安装百度aip

    1.下载百度api pip install baidu-aip 2.配置视频转码工具ffmpeg Ubuntu16.04下安装FFmpeg(超简单版) 第一步:添加源. sudo add-apt-re ...