鱼C论坛

 找回密码
 立即注册
查看: 2448|回复: 2

[见证历程] 爬虫--煎蛋网随手拍

[复制链接]
发表于 2020-2-26 22:22:47 | 显示全部楼层 |阅读模式

马上注册,结交更多好友,享用更多功能^_^

您需要 登录 才可以下载或查看,没有账号?立即注册

x
#写于学习Python教程P57之后,未使用正则表达式
##网址:http://jandan.net/ooxx
##代码未考虑非jpg格式图片,已知网站还有gif格式图片,有待改进
import urllib.request
import os


def open_url(url):
    req = urllib.request.Request(url)
    req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.116 Safari/537.36')
    response = urllib.request.urlopen(url)
    html = response.read()
    return html

def find_imgs(url):
    html = open_url(url).decode('utf-8')
    pic_list = []
    a = html.find('查看原图')
    while a!=-1:
        c = a + 4
        a = a - 127
        b = html.find('.jpg', a) + 4
        pic_list.append('https://' + html[a:b])
        a = html.find('查看原图', c)
    return pic_list

def get_next_page(url):
    html = open_url(url).decode('utf-8')
    a = html.find('下一页') - 80
    a = html.find('//', a)
    b = html.find('comments', a)
    return 'https:' + html[a:b] + 'comments'

def sava_imgs(folder, pic_list):
    for each in pic_list:
        filename = each.split('/')[-1]
        with open(filename,'wb') as f:
            img = open_url(each)
            f.write(img)

def g_pic_dl(folder='妹子图',pages=10):
    pic_list = []
    url = "http://jandan.net/ooxx"
    os.mkdir(folder)
    os.chdir(folder)
    while pages > 0:
        pic_list=find_imgs(url)
        sava_imgs(folder, pic_list)
        url = get_next_page(url)

if __name__ == '__main__':
    g_pic_dl()
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

 楼主| 发表于 2020-2-28 00:19:29 | 显示全部楼层
#写于学习完Python教程P61之后
小甲鱼对Ip地址的正则表达式有小bug
自己学习理解后写出对Ipv4地址的如下正则
r'((25[0-5]|2[0-4][0-9]|1\d\d|\d\d|\d)\.){3}(25[0-5]|2[0-4][0-9]|1\d\d|\d\d|\d)'
单独一段三位数测试如下:
for i in range(1,256):
        re.search(r'(25[0-5]|2[0-4][0-9]|1\d\d|\d\d|\d)', str(i))

#加入正则表达式后对随手拍的爬虫代码(正常下载jpg及gif):
import urllib.request
import os
import re

def open_url(url):
    req = urllib.request.Request(url)
    req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.116 Safari/537.36')
    response = urllib.request.urlopen(url)
    html = response.read()
    return html

def find_imgs(url):
    html = open_url(url).decode('utf-8')
    p = r'<a href="([^"]+.(?:jpg|gif))"'
    pic_list = re.findall(p, html)
    return pic_list
    

def get_next_page(url):
    html = open_url(url).decode('utf-8')
    p = r'<a title="Older Comments" href="([^"]+)"'
    _result = re.search(p, html)
    new_url = 'https:' + _result.group(1)
    return new_url

def sava_imgs(pic_list):
    for each in pic_list:
        filename = each.split('/')[-1]
        each = 'https:' + each
        urllib.request.urlretrieve(each,filename)

def g_pic_dl(folder='妹子图',pages=5):
    pic_list = []
    url = "https://jandan.net/ooxx"
    if os.path.isdir(folder) == 0:
        os.mkdir(folder)
    os.chdir(folder)
    while pages > 0:
        pic_list=find_imgs(url)
        sava_imgs(pic_list)
        url = get_next_page(url)
        pages -= 1

if __name__ == '__main__':
    g_pic_dl()
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2020-3-31 20:57:29 | 显示全部楼层
    raise HTTPError(req.full_url, code, msg, hdrs, fp)
urllib.error.HTTPError: HTTP Error 403: Forbidden

这个没有加入正则表达式的代码  不行    403了   希望可以解决一下
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

小黑屋|手机版|Archiver|鱼C工作室 ( 粤ICP备18085999号-1 | 粤公网安备 44051102000585号)

GMT+8, 2024-11-24 20:20

Powered by Discuz! X3.4

© 2001-2023 Discuz! Team.

快速回复 返回顶部 返回列表