Python如何爬取MM照片

这篇文章主要为大家展示了"Python如何爬取MM照片"，内容简而易懂，条理清晰，希望能够帮助大家解决疑惑，下面让小编带领大家一起研究并学习一下"Python如何爬取MM照片"这篇文章吧。

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 urllibimport urllib2import 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 url        request = urllib2.Request(url)        response = urllib2.urlopen(request)        return response.read().decode('gbk')    def getContents(self,pageIndex):        page = self.getPage(pageIndex)        pattern = re.compile('
.*?(.*?).*?(.*?)',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 + "/">

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   False    isExists=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 True    else:        # 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 urllibimport urllib2import reimport toolimport os#抓取MMclass 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('
.*?(.*?).*?(.*?)',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('
(.*?)