[已解决]Python爬虫求助

夜枭1107

在小甲鱼的ooxx那一课，为什么我的程序会报这个错误

1. import urllib.request
   
2. import os
   
3. 
   
4. def url_open(url):
   
5.     req=urllib.request.Request(url)
   
6.     req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36')
   
7.     response=urllib.request.urlopen(url)
   
8.     html=response.read()
   
9.     return html
   
10. 
    
11. def get_page(url):
    
12.     html=url_open(url).decode('utf-8')
    
13.     a=html.find('current-comment-page')+23
    
14.     b=html.find(']',a)
    
15.     return html[a:b]
    
16.    
    
17. def find_imgs(url):
    
18.     html=url_open(url).decode('utf-8')
    
19.     img_addrs=[]
    
20.     a=html.find('img src=')
    
21.     while a!=-1:
    
22.         b=html.find('.jpg',a,a+255)
    
23.         if b!=-1:
    
24.             img_addrs.append(html[a+9:b+4])
    
25.         else:
    
26.             b=a+9
    
27.         a=html.find('img src=',b)
    
28.     return img_addrs
    
29. 
    
30. def save_imgs(folder,img_addrs):
    
31.     for each in img_addrs:
    
32.         filename=each.split('/')[-1]
    
33.         with open(filename,'wb') as f:
    
34.             img=url_open(each)
    
35.             f.write(img)
    
36.    
    
37. def download_mm(folder='OOXX',pages=10):
    
38.     os.mkdir(folder)
    
39.     os.chdir(folder)
    
40.     url=r'http://jandan.net/ooxx/'
    
41.     page_num=int(get_page(url))
    
42.     for i in range(pages):
    
43.         page_num-=i
    
44.         page_url=url+'page-'+str(page_num)+'#comments'
    
45.         img_addrs=find_imgs(page_url)
    
46.         save_imgs(folder,img_addrs)
    
47. 
    
48. if __name__=='__main__':
    
49.     download_mm()

复制代码

Traceback (most recent call last):
  File "E:/小甲鱼—《零基础入门学习Python》/056轮一只爬虫的自我修养4：OOXX/1.爬图片.py", line 49, in <module>
    download_mm()
  File "E:/小甲鱼—《零基础入门学习Python》/056轮一只爬虫的自我修养4：OOXX/1.爬图片.py", line 46, in download_mm
    save_imgs(folder,img_addrs)
  File "E:/小甲鱼—《零基础入门学习Python》/056轮一只爬虫的自我修养4：OOXX/1.爬图片.py", line 34, in save_imgs
    img=url_open(each)
  File "E:/小甲鱼—《零基础入门学习Python》/056轮一只爬虫的自我修养4：OOXX/1.爬图片.py", line 5, in url_open
    req=urllib.request.Request(url)
  File "E:\python\lib\urllib\request.py", line 329, in __init__
    self.full_url = url
  File "E:\python\lib\urllib\request.py", line 355, in full_url
    self._parse()
  File "E:\python\lib\urllib\request.py", line 384, in _parse
    raise ValueError("unknown url type: %r" % self.full_url)
ValueError: unknown url type: '//wx1.sinaimg.cn/mw600/66b3de17gy1ffxkfmik4lj20dw0jpwgz.jpg'

最佳答案

月排行榜 / 总排行榜

Aifrincoo

2017-5-29 15:25:49

cshiao 发表于 2017-5-29 12:49
对，就是这个，哪有没有啥解决的方法？

一个笨方法，每次爬取的地址你都看看是否是tp://s.jandan.com/static/gg/lanya2.jpg
如果是那么就不加入图片地址（就是你的24行）
每次执行加入图片地址（24行代码）之前用
if html[a+9:b+4] ！= 'tp://s.jandan.com/static/gg/lanya2.jpg'：
    img_addrs.append(html[a+11:b+4])

跳转到最佳答案楼层

Aifrincoo

wx1.sinaimg.cn/mw600/66b3de17gy1ffxkfmik4lj20dw0jpwgz.jpg这个图片是可以打开的，
在第24行代码改成img_addrs.append('http://'+html[a+11:b+4])
提示：你把wx1.sinaimg.cn/mw600/66b3de17gy1ffxkfmik4lj20dw0jpwgz.jpg复制粘帖到浏览器打开，然后再复制粘帖出来，你会发现多了个'http://'，然后你懂的

gopythoner

有必要   @小甲鱼
这一课的教程是不是有问题，为什么每个新手在这一课都要问一次这个问题呢？

夜枭1107

Aifrincoo 发表于 2017-5-25 18:48
wx1.sinaimg.cn/mw600/66b3de17gy1ffxkfmik4lj20dw0jpwgz.jpg这个图片是可以打开的，
在第24行代码改成img ...

谢谢，能爬下几张图了，就是中途还会报错

cshiao

中途会出错啊 怎么解决啊

Aifrincoo

夜枭1107 发表于 2017-5-27 14:52
谢谢，能爬下几张图了，就是中途还会报错

可能要挂上代理，没挂代理可能会这样，我运行了我以前保存的代码，也是一样的错误

cshiao

Aifrincoo 发表于 2017-5-27 16:22
可能要挂上代理，没挂代理可能会这样，我运行了我以前保存的代码，也是一样的错误

可是小甲鱼后面用代理不也是出错了

Aifrincoo

你在31行至32行中间加一段print(each),我这里停下来的原因是碰到了http://tp://s.jandan.com/static/gg/lanya2.jpg这一行，把s.jandan.com/static/gg/lanya2.jpg放到浏览器里你会发现是广告，可能以前没有，现在突然有了。

Aifrincoo

cshiao 发表于 2017-5-27 19:08
可是小甲鱼后面用代理不也是出错了

也许这就是我保存的代码突然会出现你那种错误的原因吧

cshiao

Aifrincoo 发表于 2017-5-27 19:55
你在31行至32行中间加一段print(each),我这里停下来的原因是碰到了http://tp://s.jandan.com/static/gg/lan ...

对，就是这个，哪有没有啥解决的方法？

Aifrincoo

cshiao 发表于 2017-5-29 12:49
对，就是这个，哪有没有啥解决的方法？

一个笨方法，每次爬取的地址你都看看是否是tp://s.jandan.com/static/gg/lanya2.jpg
如果是那么就不加入图片地址（就是你的24行）
每次执行加入图片地址（24行代码）之前用
if html[a+9:b+4] ！= 'tp://s.jandan.com/static/gg/lanya2.jpg'：
    img_addrs.append(html[a+11:b+4])

cshiao

好的，谢谢，我去试试