网页爬虫抓取百度图片(项目工具Python3.7.1、JetBrainsPyCharm三、项目过程（四） )

　　网页爬虫抓取百度图片(项目工具Python3.7.1、JetBrainsPyCharm三、项目过程（四）

)

　　需要编写的程序可以在任意一个贴吧页面获取帖子链接，抓取用户在帖子中发布的图片。在这个过程中，通过用户代理进行伪装和轮换，解决了爬虫ip被目标网站封禁的问题。熟悉基本的网页和url分析，能灵活使用Xmind工具分析Python爬虫（网络爬虫）的流程图。

　　一、项目分析

　　1. 网络分析

　　贴吧页面简洁，所有内容一目了然。它也比其他社区论坛更易于使用。注册容易，甚至不注册，发布也容易。但是，栏目创建的参差不齐，内容千奇百怪。

　　2. 网址解析

　　分析贴吧中post链接的拼接形式，在程序中重构post链接。

　　比如在本例的实验中，多次输入不同的贴吧后，我们可以看到贴吧的链接组成为：fullurl=url+key。其中 fullurl 表示 贴吧 总链接

　　url为贴吧链接的社区：

　　关键是urlencode编码的贴吧中文名

　　使用 xpath_helper_2_0_2.crx 浏览器插件，帖子的链接条目可以归结为：

　　"//li/div[@class="t_con cleafix"]/div/div/div/a/@href"，用户在帖子中张贴的图片链接表达式为："//img··[@class = "BDE_Image"]/@src"

　　二、项目工具

　　Python 3.7.1，JetBrains PyCharm 2018.3.2

　　三、项目流程

　　（一）使用Xmind工具分析Python爬虫（网络爬虫）的流程图，绘制程序逻辑框架图如图4-1

　　

　　图 4-1 程序逻辑框架图

　　（二）爬虫调试过程的Bug描述（截图）

　　

　　(三）爬虫运行结果

　　

　　

　　

　　(四）项目经历

　　本次实验的经验总结如下：

　　1、 当程序运行结果提示错误：ModuleNotFoundError: No module named 'lxml'时，最好的解决办法是先检查lxml是否安装，再检查lxml是否导入。在本次实验中，由于项目可以成功导入lxml，解决方案如图5-1所示。在“Project Interperter”中选择python安装目录。

　　

　　图 5-1 错误解决流程

　　2、 有时候需要模拟浏览器，否则做过反爬的网站 会知道你是机器人

　　例如，对于浏览器的限制，我们可以设置 User-Agent 头。对于防盗链限制，我们可以设置Referer头。一些网站使用cookies进行限制，主要涉及登录和限流。没有通用的方法，只看能不能自动登录或者分析cookies的问题。

　　3、 第一步，我们可以从主界面的html代码中提取出这组图片的链接地址。显然，我们需要使用正则表达式来提取这些不同的地址。然后，有了每组图片的起始地址后，我们进入子页面，刷新网页，观察它的加载过程。

　　四、项目源码

　　贴吧pic.py

　　from urllib import request,parse

import ssl

import random

import time

from lxml import etree

ua_list=[

'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36',

'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)',

'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:45.0) Gecko/20100101 Firefox/45.0'

]

def loadPage(url):

userAgent=random.choice(ua_list)

headers={"User-Agent":userAgent}

req =request.Request(url,headers=headers)

context=ssl._create_unverified_context()

response=request.urlopen(req,context=context)

html=response.read()

content=etree.HTML(html)

link_list=content.xpath('//li/div[@class="t_con cleafix"]/div/div/div/a/@href')

for link in link_list:

fullurl='http://tieba.baidu.com'+link

print(fullurl)

loadImge(fullurl)

def loadImge(url):

req = request.Request(url)

context = ssl._create_unverified_context()

response = request.urlopen(req, context=context)

html = response.read()

content = etree.HTML(html)

link_list = content.xpath('//img[@class="BDE_Image"]/@src')

for link in link_list:

print(link)

writeImge(link)

def writeImge(url):

req = request.Request(url)

context = ssl._create_unverified_context()

response = request.urlopen(req, context=context)

image = response.read()

filename=url[-12:]

f=open(filename,'wb')

f.write(image)

f.close()

def tiebaSpider(url,beginPage,endPage):

for page in range(beginPage,endPage+100):

pn=(page-1)*50

fullurl=url+"&pn="+str(pn)

loadPage(fullurl)

if __name__=="__main__":

print("测试成功！")

kw=input("请输入要爬的贴吧名：")

beginPage=int(input("请输入开始页："))

endPage = int(input("请输入结束页："))

url="http://tieba.baidu.com/f?"

key=parse.urlencode({"kw":kw})

fullurl=url+key

tiebaSpider(fullurl,beginPage,endPage)