由于最新的视频整顿风波，内涵段子APP被迫关闭，广大段友无家可归，但是最近发现了一个“段友”的app，版本更新也挺快，正在号召广大段友回家，如下图，有兴趣的可以下载看看(ps：我不是打广告的，没收广告费的)

然后呢，看到上面，确实好多段友在上面，于是乎，我就想爬取他们的图片和小视频，就有了这篇文章的主题：

其实吧，用Python爬取网站数据是最基础的东西，也不难，但是我还想分享给大家，一起学习和交流。

爬取这些网站里的数据主要用的模块是bs4、requests以及os，都是常用模块

大概思路就是通过requests模块请求网页html数据，然后通过bs4模块下的BeautifulSoup分析请求的网页，然后通过css查找器查找内涵段子的图片以及小视频的地址，主要实现代码如下：

def download_file(web_url):

"""获取资源的url"""

# 下载网页

print('正在下载网页： %s...' % web_url)

result = requests.get(web_url)

soup = bs4.BeautifulSoup(result.text, "html.parser")

# 查找图片资源

img_list = soup.select('.vpic_wrap img')

if img_list == []:

print('未发现图片资源！')

else:

# 找到资源，开始写入

for img_info in img_list:

file_url = img_info.get('bpic')

write_file(file_url, 1)

# 查找视频资源

video_list = soup.select('.threadlist_video a')

if video_list == []:

print('未发现视频资源！')

else:

# 找到资源，开始写入

for video_info in video_list:

file_url = video_info.get('data-video')

write_file(file_url, 2)

print('下载资源结束：', web_url)

next_link = soup.select('#frs_list_pager .next')

if next_link == []:

print('下载资料结束！')

else:

url = next_link[0].get('href')

download_file('https:' + url)

得到图片以及视频的地址之后，肯定还不够，还得把这些资源写入到本地，方式是通过二进制的方式来读取远程文件资源，然后分类写入到本地，实现的主要代码如下：

def write_file(file_url, file_type):

"""写入文件"""

res = requests.get(file_url)

res.raise_for_status()

# 文件类型分文件夹写入

if file_type == 1:

file_folder = 'nhdz\\jpg'

elif file_type == 2:

file_folder = 'nhdz\\mp4'

else:

file_folder = 'nhdz\\other'

folder = os.path.exists(file_folder)

# 文件夹不存在，则创建文件夹

if not folder:

os.makedirs(file_folder)

# 打开文件资源，并写入

file_name = os.path.basename(file_url)

str_index = file_name.find('?')

if str_index > 0:

file_name = file_name[:str_index]

file_path = os.path.join(file_folder, file_name)

print('正在写入资源文件：', file_path)

image_file = open(file_path, 'wb')

for chunk in res.iter_content(100000):

image_file.write(chunk)

image_file.close()

print('写入完成！')

最后，再奉上完整的代码吧。要不然，会被人说的，说话说一半，说福利，也不给全，这就太不够意思了。客官别急，马上奉上……

#!/usr/bin/env python

# -*- coding: utf-8 -*-

"""

爬取百度贴吧，段友之家的图片和视频

author: cuizy

time：2018-05-19

"""

import requests

import bs4

import os

def write_file(file_url, file_type):

"""写入文件"""

res = requests.get(file_url)

res.raise_for_status()

# 文件类型分文件夹写入

if file_type == 1:

file_folder = 'nhdz\\jpg'

elif file_type == 2:

file_folder = 'nhdz\\mp4'

else:

file_folder = 'nhdz\\other'

folder = os.path.exists(file_folder)

# 文件夹不存在，则创建文件夹

if not folder:

os.makedirs(file_folder)

# 打开文件资源，并写入

file_name = os.path.basename(file_url)

str_index = file_name.find('?')

if str_index > 0:

file_name = file_name[:str_index]

file_path = os.path.join(file_folder, file_name)

print('正在写入资源文件：', file_path)

image_file = open(file_path, 'wb')

for chunk in res.iter_content(100000):

image_file.write(chunk)

image_file.close()

print('写入完成！')

def download_file(web_url):

"""获取资源的url"""

# 下载网页

print('正在下载网页： %s...' % web_url)

result = requests.get(web_url)

soup = bs4.BeautifulSoup(result.text, "html.parser")

# 查找图片资源

img_list = soup.select('.vpic_wrap img')

if img_list == []:

print('未发现图片资源！')

else:

# 找到资源，开始写入

for img_info in img_list:

file_url = img_info.get('bpic')

write_file(file_url, 1)

# 查找视频资源

video_list = soup.select('.threadlist_video a')

if video_list == []:

print('未发现视频资源！')

else:

# 找到资源，开始写入

for video_info in video_list:

file_url = video_info.get('data-video')

write_file(file_url, 2)

print('下载资源结束：', web_url)

next_link = soup.select('#frs_list_pager .next')

if next_link == []:

print('下载资料结束！')

else:

url = next_link[0].get('href')

download_file('https:' + url)

# 主程序入口

if __name__ == '__main__':

web_url = 'https://tieba.baidu.com/f?ie=utf-8&kw=段友之家'

download_file(web_url)