鱼C论坛

 找回密码
 立即注册
查看: 2313|回复: 5

[已解决]爬虫报错找不到原因

[复制链接]
发表于 2017-7-14 00:27:21 | 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
import urllib.request
import os
import random


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/39.0.2171.65 Safari/537.36')
    response = urllib.request.urlopen(url)
    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[a:b]


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+225)
        if b != -1:
            img_addrs.append(html[a+9:b+4])
        else:
            b = a + 9

        a = html.find('img src=', b)

    return img_addrs
     

def save_imgs(folder, img_addrs):
    for each in img_addrs:
        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()

===========
Traceback (most recent call last):
  File "E:\Python\056轮一只爬虫的自我修养4:OOXX\课堂演示\meizhi.py", line 63, in <module>
    download_mm()
  File "E:\Python\056轮一只爬虫的自我修养4:OOXX\课堂演示\meizhi.py", line 60, in download_mm
    save_imgs(folder, img_addrs)
  File "E:\Python\056轮一只爬虫的自我修养4:OOXX\课堂演示\meizhi.py", line 46, in save_imgs
    img =url_open(each)
  File "E:\Python\056轮一只爬虫的自我修养4:OOXX\课堂演示\meizhi.py", line 7, in url_open
    req = urllib.request.Request(url)
  File "C:\Users\Administrator\AppData\Local\Programs\Python\Python36\lib\urllib\request.py", line 329, in __init__
    self.full_url = url
  File "C:\Users\Administrator\AppData\Local\Programs\Python\Python36\lib\urllib\request.py", line 355, in full_url
    self._parse()
  File "C:\Users\Administrator\AppData\Local\Programs\Python\Python36\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/a2edc015ly1fhhk0q9xl3j20ml0xwq7k.jpg'
请问应该怎么解决
小甲鱼最新课程 -> https://ilovefishc.com
回复

使用道具 举报

发表于 2017-7-14 01:27:25 | 显示全部楼层    本楼为最佳答案   
小甲鱼最新课程 -> https://ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2017-7-14 07:47:33 | 显示全部楼层
//wx1.sinaimg.cn/mw600/a2edc015ly1fhhk0q9xl3j20ml0xwq7k.jpg
前面加http或https
小甲鱼最新课程 -> https://ilovefishc.com
回复 支持 反对

使用道具 举报

 楼主| 发表于 2017-7-15 01:08:38 | 显示全部楼层
新手·ing 发表于 2017-7-14 07:47
//wx1.sinaimg.cn/mw600/a2edc015ly1fhhk0q9xl3j20ml0xwq7k.jpg
前面加http或https

请问在哪里加,这是属于图片链接,下载下来的
小甲鱼最新课程 -> https://ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2017-7-15 07:26:00 | 显示全部楼层
张冬冬 发表于 2017-7-15 01:08
请问在哪里加,这是属于图片链接,下载下来的

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


  4. def url_open(url):
  5.     req = urllib.request.Request(url)
  6.     req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.65 Safari/537.36')
  7.     response = urllib.request.urlopen(url)
  8.     html = response.read()

  9.     return html


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

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

  14.     return html[a:b]


  15. def find_imgs(url):
  16.     html = decode('utf-8')
  17.     img_addrs = []

  18.     a = html.find('img src=')

  19.     while a != -1:
  20.         b = html.find('.jpg', a, a+225)
  21.         if b != -1:
  22.             img_addrs.append(html[a+9:b+4])
  23.         else:
  24.             b = a + 9

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

  26.     return img_addrs
  27.      

  28. def save_imgs(folder, img_addrs):
  29.     for each in img_addrs:
  30.         filename = each.split('/')[-1]
  31.         with open(filename,'wb') as f:
  32.             img =url_open(each)
  33.             f.write(img)
  34.             
  35. def download_mm(folder='OOXX', pages=10):
  36.     os.mkdir(folder)
  37.     os.chdir(folder)

  38.     url = "http://jandan.net/ooxx/"
  39.     page_num = int(get_page(url))

  40.     for i in range(pages):
  41.         page_num -= i
  42.         page_url = url + 'page-' + str(page_num) + '#comments'
  43.         img_addrs = find_imgs(page_url)
  44.         save_imgs(folder, img_addrs)

  45. if __name__ == '__main__':
  46.     download_mm()

复制代码
小甲鱼最新课程 -> https://ilovefishc.com
回复 支持 反对

使用道具 举报

 楼主| 发表于 2017-7-15 16:09:57 | 显示全部楼层

我以前跟你这个一样,有错误,save_imgs应该改成这个样子
def save_imgs(folder, img_addrs):
    for each in img_addrs:
        filename = each.split('/')[-1]
        with open(filename,'wb') as f:
            print(each)
            img = url_open('http:'+each)
            f.write(img)
小甲鱼最新课程 -> https://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, 2026-2-28 15:52

Powered by Discuz! X3.4

© 2001-2023 Discuz! Team.

快速回复 返回顶部 返回列表