鱼C论坛

 找回密码
 立即注册
查看: 2084|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


  1. import urllib.request
  2. import os


  3. def open_url(url):
  4.     req = urllib.request.Request(url)
  5.     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')
  6.     response = urllib.request.urlopen(url)
  7.     html = response.read()
  8.     return html

  9. def find_imgs(url):
  10.     html = open_url(url).decode('utf-8')
  11.     pic_list = []
  12.     a = html.find('查看原图')
  13.     while a!=-1:
  14.         c = a + 4
  15.         a = a - 127
  16.         b = html.find('.jpg', a) + 4
  17.         pic_list.append('https://' + html[a:b])
  18.         a = html.find('查看原图', c)
  19.     return pic_list

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

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

  32. def g_pic_dl(folder='妹子图',pages=10):
  33.     pic_list = []
  34.     url = "http://jandan.net/ooxx"
  35.     os.mkdir(folder)
  36.     os.chdir(folder)
  37.     while pages > 0:
  38.         pic_list=find_imgs(url)
  39.         sava_imgs(folder, pic_list)
  40.         url = get_next_page(url)

  41. if __name__ == '__main__':
  42.     g_pic_dl()

复制代码
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

  1. 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)'
复制代码

单独一段三位数测试如下:

  1. for i in range(1,256):
  2.         re.search(r'(25[0-5]|2[0-4][0-9]|1\d\d|\d\d|\d)', str(i))
复制代码


#加入正则表达式后对随手拍的爬虫代码(正常下载jpg及gif):

  1. import urllib.request
  2. import os
  3. import re

  4. def open_url(url):
  5.     req = urllib.request.Request(url)
  6.     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')
  7.     response = urllib.request.urlopen(url)
  8.     html = response.read()
  9.     return html

  10. def find_imgs(url):
  11.     html = open_url(url).decode('utf-8')
  12.     p = r'<a href="([^"]+.(?:jpg|gif))"'
  13.     pic_list = re.findall(p, html)
  14.     return pic_list
  15.    

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

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

  27. def g_pic_dl(folder='妹子图',pages=5):
  28.     pic_list = []
  29.     url = "https://jandan.net/ooxx"
  30.     if os.path.isdir(folder) == 0:
  31.         os.mkdir(folder)
  32.     os.chdir(folder)
  33.     while pages > 0:
  34.         pic_list=find_imgs(url)
  35.         sava_imgs(pic_list)
  36.         url = get_next_page(url)
  37.         pages -= 1

  38. if __name__ == '__main__':
  39.     g_pic_dl()

复制代码
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
  1.     raise HTTPError(req.full_url, code, msg, hdrs, fp)
  2. urllib.error.HTTPError: HTTP Error 403: Forbidden
复制代码


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, 2024-3-29 16:26

Powered by Discuz! X3.4

© 2001-2023 Discuz! Team.

快速回复 返回顶部 返回列表