本篇目标

抓取淘宝MM的姓名，头像，年龄
抓取每一个MM的资料简介以及写真图片
把每一个MM的写真图片按照文件夹保存到本地
熟悉文件保存的过程

PS：如有需要Python学习资料的小伙伴可以加下方的群去找免费管理员领取

点击加群即可免费获取Python学习资料

1.URL的格式

在这里我们用到的URL是 http://mm.taobao.com/json/request_top_list.htm?page=1，问号前面是基地址，后面的参数page是代表第几页，可以随意更换地址。点击开之后，会发现有一些淘宝MM的简介，并附有超链接链接到个人详情页面。

我们需要抓取本页面的头像地址，MM姓名，MM年龄，MM居住地，以及MM的个人详情页面地址。

2.抓取简要信息

相信大家经过上几次的实战，对抓取和提取页面的地址已经非常熟悉了，这里没有什么难度了，我们首先抓取本页面的MM详情页面地址，姓名，年龄等等的信息打印出来，直接贴代码如下

import urllib
import urllib2
import reclass Spider:def __init__(self):self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'def getPage(self,pageIndex):url = self.siteURL + "?page=" + str(pageIndex)print urlrequest = urllib2.Request(url)response = urllib2.urlopen(request)return response.read().decode('gbk')def getContents(self,pageIndex):page = self.getPage(pageIndex)pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?![]((.*?))(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)items = re.findall(pattern,page)for item in items:print item[0],item[1],item[2],item[3],item[4]spider = Spider()
spider.getContents(1)

运行结果如下

3.文件写入简介

在这里，我们有写入图片和写入文本两种方式

1）写入图片

#传入图片地址，文件名，保存单张图片
def saveImg(self,imageURL,fileName):u = urllib.urlopen(imageURL)data = u.read()f = open(fileName, 'wb')f.write(data)f.close()

2）写入文本

def saveBrief(self,content,name):fileName = name + "/" + name + ".txt"f = open(fileName,"w+")print u"正在偷偷保存她的个人信息为",fileNamef.write(content.encode('utf-8'))

3）创建新目录

#创建新目录
def mkdir(self,path):path = path.strip()# 判断路径是否存在# 存在     True# 不存在   FalseisExists=os.path.exists(path)# 判断结果if not isExists:# 如果不存在则创建目录# 创建目录操作函数os.makedirs(path)return Trueelse:# 如果目录存在则不创建，并提示目录已存在return False

4.代码完善

主要的知识点已经在前面都涉及到了，如果大家前面的章节都已经看了，完成这个爬虫不在话下，具体的详情在此不再赘述，直接帖代码啦。

spider.py

import urllib
import urllib2
import re
import tool
import os#抓取MM
class Spider:#页面初始化def __init__(self):self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'self.tool = tool.Tool()#获取索引页面的内容def getPage(self,pageIndex):url = self.siteURL + "?page=" + str(pageIndex)request = urllib2.Request(url)response = urllib2.urlopen(request)return response.read().decode('gbk')#获取索引界面所有MM的信息，list格式def getContents(self,pageIndex):page = self.getPage(pageIndex)pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?![]((.*?))(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)items = re.findall(pattern,page)contents = []for item in items:contents.append([item[0],item[1],item[2],item[3],item[4]])return contents#获取MM个人详情页面def getDetailPage(self,infoURL):response = urllib2.urlopen(infoURL)return response.read().decode('gbk')#获取个人文字简介def getBrief(self,page):pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)result = re.search(pattern,page)return self.tool.replace(result.group(1))#获取页面所有图片def getAllImg(self,page):pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)#个人信息页面所有代码content = re.search(pattern,page)#从代码中提取图片patternImg = re.compile('<img.*?src="(.*?)"',re.S)images = re.findall(patternImg,content.group(1))return images#保存多张写真图片def saveImgs(self,images,name):number = 1print u"发现",name,u"共有",len(images),u"张照片"for imageURL in images:splitPath = imageURL.split('.')fTail = splitPath.pop()if len(fTail) > 3:fTail = "jpg"fileName = name + "/" + str(number) + "." + fTailself.saveImg(imageURL,fileName)number += 1# 保存头像def saveIcon(self,iconURL,name):splitPath = iconURL.split('.')fTail = splitPath.pop()fileName = name + "/icon." + fTailself.saveImg(iconURL,fileName)#保存个人简介def saveBrief(self,content,name):fileName = name + "/" + name + ".txt"f = open(fileName,"w+")print u"正在偷偷保存她的个人信息为",fileNamef.write(content.encode('utf-8'))#传入图片地址，文件名，保存单张图片def saveImg(self,imageURL,fileName):u = urllib.urlopen(imageURL)data = u.read()f = open(fileName, 'wb')f.write(data)print u"正在悄悄保存她的一张图片为",fileNamef.close()#创建新目录def mkdir(self,path):path = path.strip()# 判断路径是否存在# 存在     True# 不存在   FalseisExists=os.path.exists(path)# 判断结果if not isExists:# 如果不存在则创建目录print u"偷偷新建了名字叫做",path,u'的文件夹'# 创建目录操作函数os.makedirs(path)return Trueelse:# 如果目录存在则不创建，并提示目录已存在print u"名为",path,'的文件夹已经创建成功'return False#将一页淘宝MM的信息保存起来def savePageInfo(self,pageIndex):#获取第一页淘宝MM列表contents = self.getContents(pageIndex)for item in contents:#item[0]个人详情URL,item[1]头像URL,item[2]姓名,item[3]年龄,item[4]居住地print u"发现一位模特,名字叫",item[2],u"芳龄",item[3],u",她在",item[4]print u"正在偷偷地保存",item[2],"的信息"print u"又意外地发现她的个人地址是",item[0]#个人详情页面的URLdetailURL = item[0]#得到个人详情页面代码detailPage = self.getDetailPage(detailURL)#获取个人简介brief = self.getBrief(detailPage)#获取所有图片列表images = self.getAllImg(detailPage)self.mkdir(item[2])#保存个人简介self.saveBrief(brief,item[2])#保存头像self.saveIcon(item[1],item[2])#保存图片self.saveImgs(images,item[2])#传入起止页码，获取MM图片def savePagesInfo(self,start,end):for i in range(start,end+1):print u"正在偷偷寻找第",i,u"个地方，看看MM们在不在"self.savePageInfo(i)#传入起止页码即可，在此传入了2,10,表示抓取第2到10页的MM
spider = Spider()
spider.savePagesInfo(2,10)

tool.py

import re#处理页面标签类
class Tool:#去除img标签,1-7位空格, removeImg = re.compile('<img.*?>| {1,7}| ')#删除超链接标签removeAddr = re.compile('<a.*?>|</a>')#把换行的标签换为\nreplaceLine = re.compile('<tr>|<div>|</div>|</p>')#将表格制表<td>替换为\treplaceTD= re.compile('<td>')#将换行符或双换行符替换为\nreplaceBR = re.compile('<br><br>|<br>')#将其余标签剔除removeExtraTag = re.compile('<.*?>')#将多行空行删除removeNoneLine = re.compile('\n+')def replace(self,x):x = re.sub(self.removeImg,"",x)x = re.sub(self.removeAddr,"",x)x = re.sub(self.replaceLine,"\n",x)x = re.sub(self.replaceTD,"\t",x)x = re.sub(self.replaceBR,"\n",x)x = re.sub(self.removeExtraTag,"",x)x = re.sub(self.removeNoneLine,"\n",x)#strip()将前后多余内容删除return x.strip()

以上两个文件就是所有的代码内容，运行一下试试看，那叫一个酸爽啊

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者：小雨

Python爬虫实战：爬取淘女郎照片相关推荐

Python爬虫之爬取淘女郎照片示例详解
更多编程教程请到:菜鸟教程 https://www.piaodoo.com/ 友情链接: 高州阳光论坛https://www.hnthzk.com/ 人人影视http://www.op-kg.com/ ...
Python爬虫实战爬取租房网站2w+数据-链家上海区域信息（超详细）
Python爬虫实战爬取租房网站-链家上海区域信息(过程超详细) 内容可能有点啰嗦大佬们请见谅后面会贴代码带火们有需求的话就用吧正好这几天做的实验报告就直接拿过来了,我想后面应该会有人用的到吧 ...
python爬虫实战---爬取大众点评评论
python爬虫实战-爬取大众点评评论(加密字体) 1.首先打开一个店铺找到评论很多人学习python,不知道从何学起. 很多人学习python,掌握了基本语法过后,不知道在哪里寻找案例上手. 很多 ...
python爬虫实战-爬取视频网站下载视频至本地(selenium)
#python爬虫实战-爬取视频网站下载视频至本地(selenium) import requests from lxml import etree import json from selenium ...
python爬虫实战-爬取微信公众号所有历史文章 - (00) 概述
http://efonfighting.imwork.net 欢迎关注微信公众号"一番码客"获取免费下载服务与源码,并及时接收最新文章推送. 最近几年随着人工智能和大数据的兴起,p ...
python爬虫实战--爬取猫眼专业版-实时票房
小白级别的爬虫入门最近闲来无事,发现了猫眼专业版-实时票房,可以看到在猫眼上映电影的票房数据,便验证自己之前学的python爬虫,爬取数据,做成.svg文件. 爬虫开始之前我们先来看看猫眼专业版- ...
python爬虫实战-爬取小说
今天做一个爬虫练手的小实战:爬取顶点小说网的小说,实现下载到本地(虽然网站上本来就可以下载,不过还是自己写代码来有成就感嘛!) 爬取网站进入官网后,点击元尊,就爬取这本书了. 我们先把整个网页爬下来 ...
python爬虫淘宝实例-Python——爬虫实战爬取淘宝店铺内所有宝贝图片
之前用四篇很啰嗦的入门级别的文章,带着大家一起去了解并学习在编写爬虫的过程中,最基本的几个库的用法. 那么今天,我们就正式开始我们的第一篇实战内容,爬取一整个淘宝店铺里的所有宝贝的详情页,并且把详情页 ...
Python爬虫实战- 爬取整个网站112G-8000本pdf epub格式电子书下载
(整个代码附在最后) 目录: 爬虫准备 - 某电子书网站内容架构分析爬虫前奏 - 网站Html代码分析,如何获取需要的链接? 爬虫高潮 - 测试是否有反爬虫措施,测试是否能正常下载一个sample ...
Python爬虫实战——爬取RUNOOB.COM的Python3教程
说明关于Python开发环境搭建,可参考博主的另一篇博文-Visual Studio 2017搭配OpenCV之Python环境,省去其中的OpenCV配置及安装即可.另外,在做Python爬虫项目 ...

Python爬虫实战：爬取淘女郎照片