Python爬虫实战：抓取MM信息

uule

浏览: 6358463 次
性别:
来自: 一片神奇的土地

最近访客更多访客>>

wangenbao1

hyjqdy

逆光下的轮廓

taominghua

博主相关

博客

微博

相册

留言

关于我

文章分类

社区版块

存档分类

博客分类：

Python

Python爬虫实战（4）：抓取淘宝MM照片

1.抓取淘宝MM的姓名，头像，年龄，居住地，以及个人详情页面地址。

2.抓取每一个MM的资料简介以及写真图片(自己代码没实现)

3.把每一个MM的写真图片按照文件夹保存到本地(自己代码没实现图片保存)

4.熟悉文件保存的过程

自己代码只实现里抓取MM姓名、年龄、居住地和个人地址，然后保存到每人名字对应文件夹下的TXT中。

URL是http://mm.taobao.com/json/request_top_list.htm?page=1，问号前面是基地址，后面的参数page是代表第几页，可以随意更换地址。点击开之后，会发现有一些淘宝MM的简介，并附有超链接链接到个人详情页面

自己代码：

import urllib
import urllib.request
import re
import os

class TB:

    def __init__(self,baseUrl):
        self.baseUrl = baseUrl
        self.path = "D:\\tb\\"
        self.urls = []
        self.names = []
        self.ages = []
        self.ads = []   #地址     
        
    def getPage(self,pageNum):
        try:
            url = self.baseUrl + "?page=" + str(pageNum)
            request = urllib.request.Request(url)
            response = urllib.request.urlopen(request)
            return response.read().decode('GBK')
        except urllib.error.URLError as e:
            if hasattr(e,"reason"):
                print("获取页码失败",e.reason)
                
    def getName(self,tbPage):
        pattern = re.compile('<a class="lady-name" href="(.*?)" target="_blank">(.*?)</a>',re.S)
        items = re.findall(pattern,tbPage)
        #print(items)
        #print("1===========")
        for item in items:
            #print(item)
            #print(item[1])
            self.names.append(item[1])
            self.urls.append("http:"+item[0])
            
        #print(self.names)
        #print("2===========")
        #print(self.urls)
    
    def getAges(self,tbPage):
        pattern = re.compile('</a>.*?<em><strong>(.*?)</strong>岁</em>',re.S);
        ageItems = re.findall(pattern,tbPage)
        #print(ageItems)
        for item in ageItems:
            #print(item)
            self.ages.append(item)
            
        #print(self.ages)
     
    def getAds(self,tbPage):
        pattern = re.compile('<em><strong>.*?</strong>岁</em>.*?<span>(.*?)</span>.*?<span class="friend-follow J_FriendFollow" data-custom',re.S);
        adsItems = re.findall(pattern,tbPage)
        #print(adsItems)
        for item in adsItems:
            self.ads.append(item)
    
    def makeDirectory(self):
        myNames = self.names;
        #print(myNames)
        for item in myNames:
            #print(item)
            path = self.path + item;
            #print(path)
            # 去除首位空格
            path=path.strip()
            # 判断路径是否存在
            isExists=os.path.exists(path)
            if not isExists:
                print(path+' 创建成功')
                # 创建目录操作函数
                os.makedirs(path)
                #return True
            else:    
                print(path+' 目录已存在')
                #return False
    
    def makeFiles(self):
        myNames = self.names;
        i = 0
        for item in myNames:
            title = self.path + "\\"  + item + "\\" + item
            file = open(title + ".txt","wb")
            item = item + "\n" + self.urls[i] + "\n" + self.ages[i] + "\n" + self.ads[i]
            print(item)
            item = bytes(item,encoding="GBK")
            file.write(item)
            i += 1
            
    
baseUrl = "https://mm.taobao.com/json/request_top_list.htm"
tb = TB(baseUrl)
tbPage = tb.getPage(1)
#print(tbPage)   
print("=====================================================") 
tb.getAges(tbPage)  
tb.getName(tbPage);
tb.getAds(tbPage)
tb.makeDirectory();
tb.makeFiles();

简单实现了下效果，第一次写，还需要多熟练。

效果图片：

例子代码：

import urllib
import urllib.request
import http.cookiejar  
import re
import os
 

 #处理页面标签类
class Tool:
    #去除img标签,1-7位空格, 
    removeImg = re.compile('<img.*?>| {1,7}| ')
    #删除超链接标签
    removeAddr = re.compile('<a.*?>|</a>')
    #把换行的标签换为\n
    replaceLine = re.compile('<tr>|<div>|</div>|</p>')
    #将表格制表<td>替换为\t
    replaceTD= re.compile('<td>')
    #将换行符或双换行符替换为\n
    replaceBR = re.compile('<br><br>|<br>')
    #将其余标签剔除
    removeExtraTag = re.compile('<.*?>')
    #将多行空行删除
    removeNoneLine = re.compile('\n+')
    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)
        #strip()将前后多余内容删除
        return x.strip()
        
#抓取MM
class Spider:
 
    #页面初始化
    def __init__(self):
        self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'
        self.tool = Tool()
 
    #获取索引页面的内容
    def getPage(self,pageIndex):
        url = self.siteURL + "?page=" + str(pageIndex)
        request = urllib.request.Request(url)
        response = urllib.request.urlopen(request)
        return response.read().decode('gbk')
 
    #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="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)
        items = re.findall(pattern,page)
        contents = []
        for item in items:
            print("==========="+item[0] + item[1] + item[2] + item[3] + item[4])
            contents.append([item[0],item[1],item[2],item[3],item[4]])
        
        #print("+++++++++++++++++++++++")
        #print(contents)
        return contents
 
    #获取MM个人详情页面
    def getDetailPage(self,infoURL): 
        response = urllib.request.urlopen(infoURL)
        return response.read().decode('gbk')
 
    #获取个人文字简介
    def getBrief(self,page):
        pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)
        result = re.search(pattern,page)
        print(result)
        if result is None:
            pass
        else:            
            print(result)
            return self.tool.replace(result.group(1))
 
    #获取页面所有图片
    def getAllImg(self,page):
        pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',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)
        print(patternImg)
        print("==============")
        print(content.group(1))
        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('.')
            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"正在偷偷保存她的个人信息为",fileName)
        f.write(content.encode('utf-8'))
 
    #传入图片地址，文件名，保存单张图片
    def saveImg(self,imageURL,fileName):
         u = urllib.urlopen(imageURL)
         data = u.read()
         f = open(fileName, 'wb')
         f.write(data)
         print(u"正在悄悄保存她的一张图片为",fileName)
         f.close()
 
    #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"偷偷新建了名字叫做",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
 
    #将一页淘宝MM的信息保存起来
    def savePageInfo(self,pageIndex):
        #获取第一页淘宝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,item[3]年龄,item[4]居住地
            print(u"发现一位模特,名字叫",item[2],u"芳龄",item[3],u",她在",item[4])
            print(u"正在偷偷地保存",item[2],"的信息")
            
            #个人详情页面的URL
            detailURL = "http:" + item[0]
            print(u"又意外地发现她的个人地址是",detailURL)
            #得到个人详情页面代码
            detailPage = self.getDetailPage(detailURL)
            #####################################            
            #此处需要登录，否则爬取的是登录页面的HTML
            #淘宝登录模拟没有成功，此处先没管
            #####################################
            print(detailPage)
            print("爬取个人详情页面成功...")
            
            #获取个人简介
            brief = self.getBrief(detailPage)
            print("获取个人简介成功...")
            #获取所有图片列表
            images = self.getAllImg(detailPage)
            print("获取所有图片列表成功...")
            self.mkdir(item[2])
            #保存个人简介
            self.saveBrief(brief,item[2])
            print("保存个人简介成功...")
            #保存头像
            self.saveIcon(item[1],item[2])
            print("保存头像成功...")
            #保存图片
            self.saveImgs(images,item[2])
            print("保存图片成功...")
 
    #传入起止页码，获取MM图片
    def savePagesInfo(self,start,end):
        for i in range(start,end+1):
            print(u"正在偷偷寻找第",i,u"个地方，看看MM们在不在")
            self.savePageInfo(i)
 
#传入起止页码即可，在此传入了2,10,表示抓取第2到10页的MM
spider = Spider()
spider.savePagesInfo(1,2)

注意获取内容时，不再分开获取，直接一次性获取全部信息。

同时获取的信息每人的各项信息保存为一个数组，然后多人信息保存为一个数组contents。

#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="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)
        items = re.findall(pattern,page)
        contents = []
        for item in items:
            print("==========="+item[0] + item[1] + item[2] + item[3] + item[4])
            contents.append([item[0],item[1],item[2],item[3],item[4]])
        
        #print("+++++++++++++++++++++++")
        #print(contents)
        return contents

。。。