[已解决]小甲鱼课程56，爬虫ooxx问题

刘诗杰

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[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+255)      
        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:
        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

最佳答案

月排行榜 / 总排行榜

ba21

2017-9-8 11:12:06

1. import urllib.request
   
2. import sys
   
3. import os
   
4. 
   
5. 
   
6. def url_open(url):
   
7.     req = urllib.request.Request(url)
   
8.     req.add_header('User-Agent',
   
9.                    'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36')
   
10.     resp = urllib.request.urlopen(url)
    
11.     html = resp.read()
    
12.     # print(html)
    
13.     return html
    
14. 
    
15. 
    
16. def get_page(url):  # 获取图片页码
    
17.     html = url_open(url).decode('utf-8')  # 解码，之后查找图片页码做准备
    
18.     a = html.find('current-comment-page') + 23  # 返回页码数的首位置
    
19.     b = html.find(']', a)  # 返回页码数的末位置
    
20.     # print(html[a:b])
    
21.     return html[a:b]  # 拼接返回页码
    
22. 
    
23. 
    
24. def find_imgs(url):  # 在当前URL查找图片
    
25.     html = url_open(url).decode('utf-8')
    
26.     img_addrs = []
    
27. 
    
28.     a = html.find('img src=')  # 图片真实地址
    
29. 
    
30.     while a != -1:
    
31.         b = html.find('.jpg', a, a + 200)
    
32.         if b != -1:
    
33.             img_addrs.append(html[a + 9:b + 4])
    
34.         else:
    
35.             b = a + 9
    
36. 
    
37.         a = html.find('img src=', b)
    
38.     return img_addrs
    
39. 
    
40. 
    
41. def save_imgs(img_addrs):
    
42.     for each in img_addrs:
    
43.         filename = each.split('/')[-1]
    
44.         with open(filename, 'wb') as f:
    
45.             img = url_open("http:"+each)
    
46.             f.write(img)
    
47. 
    
48. 
    
49. def download(folder='Girls', pages=20):
    
50.     os.mkdir(folder)  # 创建文件夹
    
51.     os.chdir(folder)  # 切换到文件夹目录
    
52. 
    
53.     url = 'http://jandan.net/ooxx'
    
54.     page_num = int(get_page(url))  # 获取当前该图片页码
    
55. 
    
56.     for i in range(pages):  # 依次下载指定页数的图片
    
57.         page_num -= 1
    
58.         page_url = url + '/page-' + str(page_num) + '#comments'  # 图片的URL
    
59.         # print(page_url)
    
60.         img_addrs = find_imgs(page_url)
    
61.         save_imgs(img_addrs)
    
62. 
    
63. 
    
64. if __name__ == '__main__':
    
65.     download()
    

复制代码

跳转到最佳答案楼层

ba21

1. import urllib.request
   
2. import sys
   
3. import os
   
4. 
   
5. 
   
6. def url_open(url):
   
7.     req = urllib.request.Request(url)
   
8.     req.add_header('User-Agent',
   
9.                    'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36')
   
10.     resp = urllib.request.urlopen(url)
    
11.     html = resp.read()
    
12.     # print(html)
    
13.     return html
    
14. 
    
15. 
    
16. def get_page(url):  # 获取图片页码
    
17.     html = url_open(url).decode('utf-8')  # 解码，之后查找图片页码做准备
    
18.     a = html.find('current-comment-page') + 23  # 返回页码数的首位置
    
19.     b = html.find(']', a)  # 返回页码数的末位置
    
20.     # print(html[a:b])
    
21.     return html[a:b]  # 拼接返回页码
    
22. 
    
23. 
    
24. def find_imgs(url):  # 在当前URL查找图片
    
25.     html = url_open(url).decode('utf-8')
    
26.     img_addrs = []
    
27. 
    
28.     a = html.find('img src=')  # 图片真实地址
    
29. 
    
30.     while a != -1:
    
31.         b = html.find('.jpg', a, a + 200)
    
32.         if b != -1:
    
33.             img_addrs.append(html[a + 9:b + 4])
    
34.         else:
    
35.             b = a + 9
    
36. 
    
37.         a = html.find('img src=', b)
    
38.     return img_addrs
    
39. 
    
40. 
    
41. def save_imgs(img_addrs):
    
42.     for each in img_addrs:
    
43.         filename = each.split('/')[-1]
    
44.         with open(filename, 'wb') as f:
    
45.             img = url_open("http:"+each)
    
46.             f.write(img)
    
47. 
    
48. 
    
49. def download(folder='Girls', pages=20):
    
50.     os.mkdir(folder)  # 创建文件夹
    
51.     os.chdir(folder)  # 切换到文件夹目录
    
52. 
    
53.     url = 'http://jandan.net/ooxx'
    
54.     page_num = int(get_page(url))  # 获取当前该图片页码
    
55. 
    
56.     for i in range(pages):  # 依次下载指定页数的图片
    
57.         page_num -= 1
    
58.         page_url = url + '/page-' + str(page_num) + '#comments'  # 图片的URL
    
59.         # print(page_url)
    
60.         img_addrs = find_imgs(page_url)
    
61.         save_imgs(img_addrs)
    
62. 
    
63. 
    
64. if __name__ == '__main__':
    
65.     download()
    

复制代码

lslais2012

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[a+9:b+4])  ###
        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
    return  img_addrs

greenfansssss

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

@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

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

这种方式可能是被反爬了

quruipeng

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

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

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。。。