前言
嗨喽，大家好呀~这里是爱看美女的茜茜呐
又到了学Python时刻~
环境使用:
Python 3.8 解释器
Pycharm 编辑器
模块
import re
import requests >>> pip install requests
模块安装问题:
-
如果安装python第三方模块:
win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车
在pycharm中点击Terminal(终端) 输入安装命令
-
安装失败原因:
-
失败一: pip 不是内部命令
解决方法: 设置环境变量
-
失败二: 出现大量报红 (read time out)
解决方法: 因为是网络链接超时, 需要切换镜像源
清华：https://pypi.tuna.tsinghua.edu.cn/simple 阿里云：https://mirrors.aliyun.com/pypi/simple/ 中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/ 华中理工大学：https://pypi.hustunique.com/ 山东理工大学：https://pypi.sdutlinux.org/ 豆瓣：https://pypi.douban.com/simple/ 例如：pip3 install -i https://pypi.doubanio.com/simple/ 模块名 -
失败三: cmd里面显示已经安装过了, 或者安装成功了, 但是在pycharm里面还是无法导入
解决方法: 可能安装了多个python版本 (anaconda 或者 python 安装一个即可) 卸载一个就好
或者你pycharm里面python解释器没有设置好
-
思路
代码展示
导入模块
# 导入数据请求模块 --> 第三方模块, 需要安装 pip install requests
import requests
# 导入正则模块 --> 内置模块, 不需要安装
import re
"""
-
发送请求, 模拟浏览器对于url地址发送请求
模拟浏览器 <反爬处理> 请求头 <字典数据类型>
如果你不伪装, 可能会被识别出来是爬虫程序, 从而得到数据内容
可以直接复制粘贴 --> 开发者工具里面就可以复制<Response [200]> 响应对象
Response: 中文意思-->响应
<>: 表示对象
200: 状态码 表示请求成功
发送请求, 请求成功了
image
"""
for page in range(2, 11):
print(f'=================正在采集第{page}页的数据内容=================')
请求图片目录页面url
url = f'http://www.****.com/dongman/index_{page}.htm'
伪装模拟成浏览器
headers = {
# User-Agent 用户代理 浏览器基本身份信息
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'
}
发送请求
调用requests模块里面get请求方法, 对于url地址发送请求, 并且携带上headers请求头伪装, 最后用自定义变量名response接受返回的数据
response = requests.get(url=url, headers=headers)
"""
-
获取数据, 获取服务器返回响应数据
response 网页源代码
response.text 获取响应文本数据 <网页源代码>
-
解析数据, 提取我们想要的数据内容
- 图片ID
正则表达式Re
调用re模块里面findall方法 --> 找到所有我们想要的数据
re.findall('找什么数据', '从哪里找') --> 从什么地方, 去匹配找什么样的数据内容
从 response.text<网页源代码> 里面 去找 <a href="/desk/(\d+).htm" 其中 (\d+) 就是我们要的内容
\d+ 表示任意数字
"""
提取图片ID --> 列表 <盒子/箱子> '29381' 是列表<箱子>里面元素<苹果>
img_id_list = re.findall('<a href="/desk/(\d+).htm"', response.text)
for循环遍历, 把列表里面元素 一个一个提取出来
for img_id in img_id_list:
# img_id变量<袋子> 给 img_id_list 列表<盒子> 里面 元素<苹果> 给装起来
print(img_id)
"""
- 发送请求, 模拟浏览器对于url地址发送请求
- 请求 图片详情页页面url http://www.****.com/desk/{图片ID}.htm
-
获取数据, 获取服务器返回响应数据
response 网页源代码
"""
请求详情页链接 --> f'{img_id}' 字符串格式化方法
link = f'http://www.*****.com/desk/{img_id}.htm'
发送请求
response_1 = requests.get(url=link, headers=headers)
获取数据内容 网页源代码 ---> 乱码了, 进行转码
response_1.encoding = 'gbk'
- 解析数据, 提取我们想要的数据内容<图片链接/图片标题>
img_url, img_title = re.findall('<img src="(.*?)" alt="(.*?)"', response_1.text)[0]
- 保存数据 --> 先获取图片数据内容
img_content = requests.get(url=img_url, headers=headers).content
with open('img\\' + img_title + '.jpg', mode='wb') as f:
f.write(img_content)
print(img_url, img_title)
效果
尾语
感谢你观看我的文章呐~本次航班到这里就结束啦 🛬
希望本篇文章有对你带来帮助 🎉，有学习到一点知识~
躲起来的星星🍥也在努力发光，你也要努力加油（让我们一起努力叭）。
