[已解决]爬虫问题，

zf1013751835

1. import urllib.request
   
2. import os
   
3. 
   
4. 
   
5. def url_open(url):
   
6.     req = urllib.request.Request(url)
   
7.     req.add_header('User-Agent','Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 UBrowser/6.1.3397.16 Safari/537.36')
   
8.     response = urllib.request.urlopen(url)
   
9.     html = response.read()
   
10. 
    
11.     return html
    
12. def get_page(url):
    
13.     html = url_open(url).decode('utf-8')
    
14.    
    
15.     a = html.find('current-comment-page')+23
    
16.     b = html.find(']',a)
    
17. 
    
18.     return html[a:b]
    
19. 
    
20. def find_imgs(url):
    
21.     html = url_open(url).decode('utf-8')
    
22.     img_addrs = []
    
23. 
    
24.     a = html.find('img src=')
    
25. 
    
26.     while a != -1:
    
27.         b = html.find('.jpg',a,a+255)
    
28.         if b !=-1:
    
29.             img_addrs.append(html[a+9:b+4])
    
30.         else:
    
31.             b = a+9
    
32. 
    
33.         a = html.find('img src=',b)
    
34. 
    
35.     return img_addrs
    
36. 
    
37. def save_imgs(folder,img_addrs):
    
38.     for each in img_addrs:
    
39.         filename = each.split('/')[-1]
    
40.         with open(filename,'wb')as f:
    
41.             img = url_open(each)
    
42.             f.write(img)
    
43. 
    
44. 
    
45. def download_mm(folder='CCCC',pages=20):
    
46.     os.mkdir(folder)
    
47.     os.chdir(folder)
    
48. 
    
49. 
    
50.     url = 'http://jandan.net/ooxx/'
    
51.     page_num = int(get_page(url))
    
52. 
    
53.     for i in range(pages):
    
54.         page_num -= i
    
55.         page_url = url +'page-' + str(page_num) + '#comments'
    
56.         img_addrs = find_imgs(page_url)
    
57.         save_imgs(folder,img_addrs)
    
58. 
    
59. 
    
60. 
    
61. if __name__ == '__main__':
    
62.     download_mm()
    

复制代码

返回值为什么是
ValueError: unknown url type: '//wx3.sinaimg.cn/mw600/875033a7ly1fji0gekfjpj20u00u03zi.jpg'

最佳答案

月排行榜 / 总排行榜

ba21

2017-9-13 18:34:01

'//wx3.sinaimg.cn/mw600/875033a7ly1fji0gekfjpj20u00u03zi.jpg'
还没有看出来吗？
应该是
'http://wx3.sinaimg.cn/mw600/875033a7ly1fji0gekfjpj20u00u03zi.jpg'

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

zf1013751835

这个错误是怎么出来的

ba21

'//wx3.sinaimg.cn/mw600/875033a7ly1fji0gekfjpj20u00u03zi.jpg'
还没有看出来吗？
应该是
'http://wx3.sinaimg.cn/mw600/875033a7ly1fji0gekfjpj20u00u03zi.jpg'

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

zf1013751835

ba21 发表于 2017-9-13 18:34
'//wx3.sinaimg.cn/mw600/875033a7ly1fji0gekfjpj20u00u03zi.jpg'
还没有看出来吗？
应该是

谢谢 正在学爬虫，请问您有这一类的笔记之类的么，我在网上找不到

ba21

zf1013751835 发表于 2017-9-13 18:43
谢谢 正在学爬虫，请问您有这一类的笔记之类的么，我在网上找不到

没