刘诗杰 发表于 2017-9-8 11:00:37

小甲鱼课程56,爬虫ooxx问题

import urllib.request
import os


def url_open(url):
    req = urllib.request.Request(url)
    req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.112 Safari/537.36')
    response = urllib.request.urlopen(req)
    html= response.read()

    return html

   


def get_page(url):
   
    html = url_open(url).decode('utf-8')

    a = html.find('current-comment-page') + 23   
    b = html.find(']',a)

    return html

   


def find_imgs(url):
    html = url_open(url).decode('utf-8')   
    img_addrs =[]                        
    a = html.find('img src=')               

    while a !=-1:                           
      b = html.find('.jpg',a, a+255)      
      if b!=-1:                           
            img_addrs.append(html)
      else:
            b = a + 9

      a =html.find('img src=', b)
    return img_addrs
   

def save_imgs(folder,img_addrs):
    for each in img_addrs:
      print(each)
      filename = each.split('/')[-1]
      with open('filename', 'wb') as f:
            img = url_open(each)
            f.write(img)


def download_mm(folder="OOXX",pages =10):
    os.mkdir(folder)                     
    os.chdir(folder)                     

    url ="http://jandan.net/ooxx/"
    page_num =int(get_page(url))
   
    for i in range(pages):
      page_num -= i
      page_url =url +'page-' + str(page_num) + '#comments'      
      img_addrs =find_imgs(page_url)                           
      save_imgs(folder,img_addrs)                              



if __name__ =="__main__":
    download_mm()



出现问题
//wx1.sinaimg.cn/mw600/661eb95cgy1fj8gtap5ldj20dw0k075l.jpg
Traceback (most recent call last):
File "C:\Users\Administrator\Desktop\python\下载XXOO\test.py", line 69, in <module>
    download_mm()
File "C:\Users\Administrator\Desktop\python\下载XXOO\test.py", line 64, in download_mm
    save_imgs(folder,img_addrs)
File "C:\Users\Administrator\Desktop\python\下载XXOO\test.py", line 49, in save_imgs
    img = url_open(each)
File "C:\Users\Administrator\Desktop\python\下载XXOO\test.py", line 6, in url_open
    req = urllib.request.Request(url)
File "C:\Users\Administrator\AppData\Local\Programs\Python\Python35\lib\urllib\request.py", line 269, in __init__
    self.full_url = url
File "C:\Users\Administrator\AppData\Local\Programs\Python\Python35\lib\urllib\request.py", line 295, in full_url
    self._parse()
File "C:\Users\Administrator\AppData\Local\Programs\Python\Python35\lib\urllib\request.py", line 324, in _parse
    raise ValueError("unknown url type: %r" % self.full_url)
ValueError: unknown url type: '//wx1.sinaimg.cn/mw600/661eb95cgy1fj8gtap5ldj20dw0k075l.jpg'
>>>
求解答

ba21 发表于 2017-9-8 11:12:06

import urllib.request
import sys
import os


def url_open(url):
    req = urllib.request.Request(url)
    req.add_header('User-Agent',
                   'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36')
    resp = urllib.request.urlopen(url)
    html = resp.read()
    # print(html)
    return html


def get_page(url):# 获取图片页码
    html = url_open(url).decode('utf-8')# 解码,之后查找图片页码做准备
    a = html.find('current-comment-page') + 23# 返回页码数的首位置
    b = html.find(']', a)# 返回页码数的末位置
    # print(html)
    return html# 拼接返回页码


def find_imgs(url):# 在当前URL查找图片
    html = url_open(url).decode('utf-8')
    img_addrs = []

    a = html.find('img src=')# 图片真实地址

    while a != -1:
      b = html.find('.jpg', a, a + 200)
      if b != -1:
            img_addrs.append(html)
      else:
            b = a + 9

      a = html.find('img src=', b)
    return img_addrs


def save_imgs(img_addrs):
    for each in img_addrs:
      filename = each.split('/')[-1]
      with open(filename, 'wb') as f:
            img = url_open("http:"+each)
            f.write(img)


def download(folder='Girls', pages=20):
    os.mkdir(folder)# 创建文件夹
    os.chdir(folder)# 切换到文件夹目录

    url = 'http://jandan.net/ooxx'
    page_num = int(get_page(url))# 获取当前该图片页码

    for i in range(pages):# 依次下载指定页数的图片
      page_num -= 1
      page_url = url + '/page-' + str(page_num) + '#comments'# 图片的URL
      # print(page_url)
      img_addrs = find_imgs(page_url)
      save_imgs(img_addrs)


if __name__ == '__main__':
    download()

lslais2012 发表于 2017-9-14 15:50:33

现在网站的图片地址前面没有‘http:’,和以前不一样,所以不能保存,
比如<img src="//ws1.sinaimg.cn/mw600/005AlLw1gy1fjizb2zotvj30ij0rstay.jpg"

就在这个函数里面处理了一下:
def find_imgs(url): ###
    html = url_open(url).decode('utf-8')
    img_addrs = []#将图片地址保存到列表,开头没有http

    a = html.find('img src=')

    while a != -1:
      b = html.find('.jpg', a, a+255)
      if b != -1:
            img_addrs.append(html)###
      else:
            b = a + 9

      a = html.find('img src=', b)

    img_new = ['http:'+ i for i in img_addrs]   ##图片地址前加上‘http:’
    img_addrs = img_new
    returnimg_addrs

greenfansssss 发表于 2018-5-12 21:24:09

resp = urllib.request.urlopen(url),会报错:HTTP Error 403: Forbidden,resp = urllib.request.urlopen(req)可以正常运行,但是find_imgs获取不到链接,b一直为-1,列表一直为空。百思不得其解

greenfansssss 发表于 2018-5-12 21:30:07

@小甲鱼 :resp = urllib.request.urlopen(url),会报错:HTTP Error 403: Forbidden,resp = urllib.request.urlopen(req)可以正常运行,但是find_imgs获取不到链接,b一直为-1,列表一直为空。百思不得其解

greenfansssss 发表于 2018-5-12 22:04:23

研究了下,是抓出来的网页,不能搜索到jpg,gif却可以,是因为网页做限制了吗?

greenfansssss 发表于 2018-5-12 22:27:22

这种方式可能是被反爬了

quruipeng 发表于 2018-6-19 10:41:55

小甲鱼已经成功引起了网站的注意。这个被反扒了,该怎么办????

RyanPhang 发表于 2018-6-24 17:39:47

确实是被反爬了,好像用了动态网页。爬出来的只有这种东西。
http://jandan.net/ooxx/page-48#comments
//cdn.jandan.net/static/sos/panda2.jpg
http://jandan.net/ooxx/page-47#comments
//cdn.jandan.net/static/sos/panda2.jpg

罗同学 发表于 2018-7-1 20:50:02

RyanPhang 发表于 2018-6-24 17:39
确实是被反爬了,好像用了动态网页。爬出来的只有这种东西。
http://jandan.net/ooxx/page-48#comments
/ ...

坐等大神出现、我也是、照着一步步打,最后就下载出来一张熊猫。。。
页: [1]
查看完整版本: 小甲鱼课程56,爬虫ooxx问题