[已解决]python爬虫问题

赵bug

今天学习到了python ooxx的部分 就把代码打出来了，可是一直出错，已经5个小时了还没解决，有没有大神帮帮看看咋回事？
import urllib.request
import os


def url_open(url):
    req=urllib.request.Request(url)
    req.add_header('User-Agent','Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 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+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:
        filename=each.split('/')[-1]
        print (filename)
        with open (filename,'wb')as f:
            img=url_open(each)
            f.write(img)
            
def download_mm(folder='ooxx',pages=30):
    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()


出现的错误 ValueError: unknown url type:

最佳答案

月排行榜 / 总排行榜

ba21

2017-10-6 23:54:14

请仔细对比代码

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

请仔细对比代码

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

BngThea

建议将错误提示也贴出来

bbjx

没用哦，禁止访问