Python如何爬取淘寶MM呢?教你一招-有解無憂

本篇目標

1.抓取淘寶MM的姓名，頭像，年齡

2.抓取每一個MM的資料簡介以及寫真圖片

3.把每一個MM的寫真圖片按照檔案夾保存到本地

4.熟悉檔案保存的程序

1.URL的格式

在這里我們用到的URL是 http://mm.taobao.com/json/request_top_list.htm?page=1，問號前面是基地址，后面的引數page是代表第幾頁，可以隨意更換地址，點擊開之后，會發現有一些淘寶MM的簡介，并附有超鏈接鏈接到個人詳情頁面，
另外要注意：光理論是不夠的，這里順便免費送大家一套2020最新python入門到高級專案實戰視頻教程，可以去小編的Python交流.裙：七衣衣九七七巴而五（數字的諧音）轉換下可以找到了，還可以跟老司機交流討教！

我們需要抓取本頁面的頭像地址，MM姓名，MM年齡，MM居住地，以及MM的個人詳情頁面地址，

2.抓取簡要資訊

相信大家經過上幾次的實戰，對抓取和提取頁面的地址已經非常熟悉了，這里沒有什么難度了，我們首先抓取本頁面的MM詳情頁面地址，姓名，年齡等等的資訊列印出來，直接貼代碼如下

__author__ = 'CQC'
# -*- coding:utf-8 -*-
 
import urllib
import urllib2
import re
 
class Spider:
 
    def __init__(self):
        self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'
 
    def getPage(self,pageIndex):
        url = self.siteURL + "?page=" + str(pageIndex)
        print url
        request = urllib2.Request(url)
        response = urllib2.urlopen(request)
        return response.read().decode('gbk')
 
    def getContents(self,pageIndex):
        page = self.getPage(pageIndex)
        pattern = re.compile('<div .*?pic-word.*?<a href="https://www.cnblogs.com/chengxuyuanaa/p/(.*?)".*?<img src="https://www.cnblogs.com/chengxuyuanaa/p/(.*?)".*?<a 
        https://www.yht7.com/upload/image/20200114/1574490839472717.png" alt="298862c8c946acdba224d77b7447d30.png" width="800" height="220" title="1574490839472717.png" vspace="0" border="0">
 2.檔案寫入簡介
在這里，我們有寫入圖片和寫入文本兩種方式
1）寫入圖片
#傳入圖片地址，檔案名，保存單張圖片
def saveImg(self,imageURL,fileName):
     u = urllib.urlopen(imageURL)
     data = u.read()
     f = open(fileName, 'wb')
     f.write(data)
     f.close()
2）寫入文本
def saveBrief(self,content,name):
    fileName = name + "/" + name + ".txt"
    f = open(fileName,"w+")
    print u"正在偷偷保存她的個人資訊為",fileName
    f.write(content.encode('utf-8'))
3）創建新目錄
#創建新目錄
def mkdir(self,path):
    path = path.strip()
    # 判斷路徑是否存在
    # 存在     True
    # 不存在   False
    isExists=os.path.exists(path)
    # 判斷結果
    if not isExists:
        # 如果不存在則創建目錄
        # 創建目錄操作函式
        os.makedirs(path)
        return True
    else:
        # 如果目錄存在則不創建，并提示目錄已存在
        return False
3.代碼完善
主要的知識點已經在前面都涉及到了，如果大家前面的章節都已經看了，完成這個爬蟲不在話下，具體的詳情在此不再贅述，直接帖代碼啦，
spider.py
__author__ = 'CQC'
# -*- coding:utf-8 -*-
 
import urllib
import urllib2
import re
import tool
import os
 
#抓取MM
class Spider:
 
    #頁面初始化
    def __init__(self):
        self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'
        self.tool = tool.Tool()
 
    #獲取索引頁面的內容
    def getPage(self,pageIndex):
        url = self.siteURL + "?page=" + str(pageIndex)
        request = urllib2.Request(url)
        response = urllib2.urlopen(request)
        return response.read().decode('gbk')
 
    #獲取索引界面所有MM的資訊，list格式
    def getContents(self,pageIndex):
        page = self.getPage(pageIndex)
        pattern = re.compile('<div .*?pic-word.*?<a href="https://www.cnblogs.com/chengxuyuanaa/p/(.*?)".*?<img src="https://www.cnblogs.com/chengxuyuanaa/p/(.*?)".*?<a 
        mm-aixiu-content".*?>(.*?)<!--',re.S)
        result = re.search(pattern,page)
        return self.tool.replace(result.group(1))
 
    #獲取頁面所有圖片
    def getAllImg(self,page):
        pattern = re.compile('<div .*?>(.*?)<!--',re.S)
        #個人資訊頁面所有代碼
        content = re.search(pattern,page)
        #從代碼中提取圖片
        patternImg = re.compile('<img.*?src="https://www.cnblogs.com/chengxuyuanaa/p/(.*?)"',re.S)
        images = re.findall(patternImg,content.group(1))
        return images
 
 
    #保存多張寫真圖片
    def saveImgs(self,images,name):
        number = 1
        print u"發現",name,u"共有",len(images),u"張照片"
        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
 
    # 保存頭像
    def saveIcon(self,iconURL,name):
        splitPath = iconURL.split('.')
        fTail = splitPath.pop()
        fileName = name + "/icon." + fTail
        self.saveImg(iconURL,fileName)
 
    #保存個人簡介
    def saveBrief(self,content,name):
        fileName = name + "/" + name + ".txt"
        f = open(fileName,"w+")
        print u"正在偷偷保存她的個人資訊為",fileName
        f.write(content.encode('utf-8'))
 
 
    #傳入圖片地址，檔案名，保存單張圖片
    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張圖片為",fileName
         f.close()
 
    #創建新目錄
    def mkdir(self,path):
        path = path.strip()
        # 判斷路徑是否存在
        # 存在     True
        # 不存在   False
        isExists=os.path.exists(path)
        # 判斷結果
        if not isExists:
            # 如果不存在則創建目錄
            print u"偷偷新建了名字叫做",path,u'的檔案夾'
            # 創建目錄操作函式
            os.makedirs(path)
            return True
        else:
            # 如果目錄存在則不創建，并提示目錄已存在
            print u"名為",path,'的檔案夾已經創建成功'
            return False
 
    #將一頁淘寶MM的資訊保存起來
    def savePageInfo(self,pageIndex):
        #獲取第一頁淘寶MM串列
        contents = self.getContents(pageIndex)
        for item in contents:
            #item[0]個人詳情URL,item[1]頭像URL,item[2]姓名,item[3]年齡,item[4]居住地
            print u"發現一位模特,名字叫",item[2],u"芳齡",item[3],u",她在",item[4]
            print u"正在偷偷地保存",item[2],"的資訊"
            print u"又意外地發現她的個人地址是",item[0]
            #個人詳情頁面的URL
            detailURL = item[0]
            #得到個人詳情頁面代碼
            detailPage = self.getDetailPage(detailURL)
            #獲取個人簡介
            brief = self.getBrief(detailPage)
            #獲取所有圖片串列
            images = self.getAllImg(detailPage)
            self.mkdir(item[2])
            #保存個人簡介
            self.saveBrief(brief,item[2])
            #保存頭像
            self.saveIcon(item[1],item[2])
            #保存圖片
            self.saveImgs(images,item[2])
 
    #傳入起止頁碼，獲取MM圖片
    def savePagesInfo(self,start,end):
        for i in range(start,end+1):
            print u"正在偷偷尋找第",i,u"個地方，看看MM們在不在"
            self.savePageInfo(i)
 
 
#傳入起止頁碼即可，在此傳入了2,10,表示抓取第2到10頁的MM
spider = Spider()
spider.savePagesInfo(2,10)
tool.py
__author__ = 'CQC'
#-*- coding:utf-8 -*-
import re
 
#處理頁面標簽類
class Tool:
    #去除img標簽,1-7位空格,&nbsp;
    removeImg = re.compile('<img.*?>| {1,7}|&nbsp;')
    #洗掉超鏈接標簽
    removeAddr = re.compile('<a.*?>|</a>')
    #把換行的標簽換為

    replaceLine = re.compile('<tr>|<div>|</div>|</p>')
    #將表格制表<td>替換為	
    replaceTD= re.compile('<td>')
    #將換行符或雙換行符替換為

    replaceBR = re.compile('<br><br>|<br>')
    #將其余標簽剔除
    removeExtraTag = re.compile('<.*?>')
    #將多行空行洗掉
    removeNoneLine = re.compile('
+')
    def replace(self,x):
        x = re.sub(self.removeImg,"",x)
        x = re.sub(self.removeAddr,"",x)
        x = re.sub(self.replaceLine,"
",x)
        x = re.sub(self.replaceTD,"	",x)
        x = re.sub(self.replaceBR,"
",x)
        x = re.sub(self.removeExtraTag,"",x)
        x = re.sub(self.removeNoneLine,"
",x)
        #strip()將前后多余內容洗掉
        return x.strip()
以上兩個檔案就是所有的代碼內容，運行一下試試看，那叫一個酸爽啊

看看檔案夾里面有什么變化


不知不覺，海量的MM圖片已經進入了你的電腦，還不快快去試試看！
最后注意：光理論是不夠的，這里順便免費送大家一套2020最新python入門到高級專案實戰視頻教程，可以去小編的Python交流.裙 ：七衣衣九七七巴而五（數字的諧音）轉換下可以找到了，還可以跟老司機交流討教！
本文的文字及圖片來源于網路加上自己的想法,僅供學習、交流使用,不具有任何商業用途,著作權歸原作者所有,如有問題請及時聯系我們以作處理，






        
      轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/138082.html
      標籤：Python 
      上一篇：Python爬蟲實戰之如何爬取百度貼吧帖子？案例詳解
下一篇：根據json串動態生成Bean