python爬取知乎话题_python爬取知乎话题图片

前言

什么是网络爬虫（也叫网络蜘蛛）？简单来说，是一种用来自动浏览万维网程序或脚本（网络爬虫的典型应用就是我们所熟知的搜索引擎）。既然如此，那么我们也可以写一个程序，用来自动浏览或者获取网页上的信息。本文将介绍利用python自带库编写一个简单的爬虫程序来获取网络信息。

准备

本次爬取实例可能涉及以下知识：python基础知识

urllib库使用

http基本知识

html/js基本知识

正则表达式

环境准备：linux(windows基本适用)

python3

chrome浏览器

爬取目标

本次爬取的目标是知乎话题下的图片。

分析

以知乎话题你有哪些压箱底的表情包？为例

(链接地址:https://www.zhihu.com/question/48132860):

用chrome浏览器打开该链接。鼠标右键-检查元素，在elements页移动鼠标，当鼠标移动到某元素时，页面会被选中，因此我们可以找到第一张图片的img标签，而在标签中，我们可以找到图片的url地址，复制url地址，在浏览器打开，我们就看到了需要下载的表情包了。

至此，整体思路就很简单了：访问话题页--找到img标签--获取图片url地址--下载图片。

查找链接

代码#!/usr/bin/python3

#coding=utf-8

import urllib.request as request

import urllib.parse as parse

import string

import sys

import re

import os

import urllib.error as error

'''

获取url中的图片

url：链接地址

dirpath：保存路径

'''

def getUrlImage(url,dirpath):

dldNum=0

if not os.path.isdir(dirpath):

os.makedirs(dirpath)

data = request.urlopen(url).read()

page_data = data.decode('gbk','ignore')

#获取img标签数据

page_image = re.compile('

#循环获取img标签中的图片

for image in page_image.findall(page_data):

#匹配数据中的图片

pattern = re.compile(r'^https://.*.(jpg|png|gif|jpeg)$')

if pattern.match(image):

print (image)

try:

extension = GetFileNameAndExt(image)

#读取图片内容

image_data = request.urlopen(image).read()

image_path = dirpath+'/'+str(dldNum)+extension

dldNum += 1

print(image_path)

#保存图片

with open(image_path, 'wb') as image_file:

image_file.write(image_data)

image_file.close()

except error.URLError as e:

print('Download failed')

'''

获取文件名中的扩展名

'''

def GetFileNameAndExt(filename):

(filepath,tempfilename) = os.path.split(filename);

(shotname,extension) = os.path.splitext(tempfilename);

return extension

'''

入口函数

带两个参数

参数1:话题链接地址

参数2:图片保存路径

'''

if __name__ == "__main__":

if(len(sys.argv) < 2):

print("usage:./download_spider.py url savePath")

else:

print("the url is "+str(sys.argv[1]))

print("the save path is "+str(sys.argv[2]))

url = sys.argv[1]

savePath = sys.argv[2]

getUrlImage(url,savePath)

运行

有两个参数，第一个参数是url，即话题的链接，第二个参数是所要保存图片的路径。

在linux下运行,可以看到正在不断保存话题图片./getZhiHuImage.py https://www.zhihu.com/question/48132860 ./test

程序执行完成后可以在目的目录下发现下载好的图片，接下来就可以开心地去斗图啦。

下载结果

下载结果2

最后说两句

本文仅简单利用了python自带urllib库完成了话题图片的获取工作，但更多时候，爬取网络资源要更困难得的多，要获取的内容也不像本文例子中那么明显易得到，比如可能需要模拟登录，验证码识别，伪装成浏览器，去重等等，这里不再展开。但是Python中自带urllib及urllib2 库，基本上能满足一般的页面抓取了。

python爬取知乎话题_python爬取知乎话题图片相关推荐

python爬取虎扑评论_Python爬取NBA虎扑球员数据
虎扑是一个认真而有趣的社区,每天有众多JRs在虎扑分享自己对篮球.足球.游戏电竞.运动装备.影视.汽车.数码.情感等一切人和事的见解,热闹.真实.有温度. 受害者地址 https://nba.hupu ...
python百度贴吧发帖时间_python爬取贴吧帖子
一.介绍我们常遇到一些很长的贴吧连载帖子想存到本地再看此文就是运用python爬取指定百度贴吧的帖子并存到本地满足需求环境:python2.7 目标网页:[长篇连载]剑网3的正史和野史--从头开 ...
python爬取音乐并保存_Python爬取网易云音乐上评论火爆的歌曲
前言网易云音乐这款音乐APP本人比较喜欢,用户量也比较大,而网易云音乐之所以用户众多和它的歌曲评论功能密不可分,很多歌曲的评论非常有意思,其中也不乏很多感人的评论.但是,网易云音乐并没有提供热评排行 ...
python爬取b站用户_python爬取b站排行榜
爬取b站排行榜并存到mysql中目的 b站是我平时看得最多的一个网站,最近接到了一个爬虫的课设.首先要选择一个网站,并对其进行爬取,最后将该网站的数据存储并使其可视化. 网站的结构目标网站:bil ...
python爬取知乎标题_python爬知乎热榜
爬项目:知乎热榜标题.热度.简介. 第一步浏览网页源代码确认在哪html 还是js里标题和热度在html 标签内容在js 需要用到正则表达式: 第二先爬html 里的内容调用模块-再请求一下url ...
python爬取知乎问题_python爬取知乎首页问题
我的代码如下:importurllib.requestimporthttp.cookiejarurl_a="https://www.zhihu.com/"url_a="h ...
python爬取知乎文章_Python爬取知乎日报，推送到kindle
最近刷知乎上瘾,刚好手头有一台kindle,搞一波事情. 1.分析页面知乎日报的网页端结果比较清晰,每篇的文章的链接都在 link-button 这个 a 标签中.用requests + Beau ...
python爬取网页json数据_python爬取json数据库
手把手教你使用Python抓取QQ音乐数据(第一弹) [一.项目目标] 获取 QQ 音乐指定歌手单曲排行指定页数的歌曲的歌名.专辑名.播放链接. 由浅入深,层层递进,非常适合刚入门的同学练手. [二. ...
python写一个爬虫、爬取网站漫画信息_python爬取漫画
原博文 2017-05-31 00:56 − 抓取漫画的网址是:sf互动传媒抓取漫画的由来也是看了知乎上有人说用爬取漫画,然后自己也玩玩首页中每个漫画的url是类似这样存储的: 相关推荐 2019 ...

python爬取知乎话题_python爬取知乎话题图片

python爬取知乎话题_python爬取知乎话题图片相关推荐

最新文章

热门文章