【python小练】图片爬虫之BeautifulSoup4

Python3用不了Scrapy!

[重要的事情说三遍，据说大神们还在尝试把scrapy移植到python3，特么浪费我半个小时pip scrapy = - =]

【更新：py3现在可以用scrapy了，感谢大神们=w=】

先前用正则表达式匹配出符合要求的<img>标签真的超麻烦的，正则式错一点点都要完蛋，用bs4感觉方便很多。

bs4是将整个html拆解成字典和数组，所以处理起来比较简单。

以这个页面为例（毕竟堆糖本命）：http://www.duitang.com/search/?kw=%E6%96%87%E8%B1%AA%E9%87%8E%E7%8A%AC&type=feed#!s-p1

要下载我想要的图片，最终目标是图片的url数据。

先看页面源码：

1. 读取页面代码：

html_doc = urllib.request.urlopen(url + "#!s-p" + str(n+x-1)).read().decode('utf-8')
soup = BeautifulSoup(html_doc, "lxml")

2. 见上图，我想下载的图片都包含在符合【属于class="a"的<a>标签】这个特点的<a>标签下，用bs4找出这些<a>标签，用下面这句代码：

soup.find_all('a', class_='a')
#soup.find_all('(标签名)',(符合属性))

3. 从中找出图片<img>标签，并获取链接地址url到img_src：

for myimg in soup.find_all('a', class_='a'):
     img_src = myimg.find('img').get('src')

从第二步来看确实是比纯粹用正则表达式省时省力。

完整代码如下，其实也只改了正则那一小部分：

from bs4 import BeautifulSoup
import urllib.request
import os

def downlaodimg(url,m,n):

    os.chdir(os.path.join(os.getcwd(), 'photos'))
    t = 1  # 记录图片张数

    for x in range(n-m+1):
        html_doc = urllib.request.urlopen(url + "#!s-p" + str(n+x-1)).read().decode('utf-8')
        soup = BeautifulSoup(html_doc, "lxml")

        for myimg in soup.find_all('a', class_='a'):
            pic_name = str(t) + '.jpg'
            img_src = myimg.find('img').get('src')
            urllib.request.urlretrieve(img_src, pic_name)
            print("Success!" + img_src)
            t += 1
        print("Next page!")

downlaodimg("http://www.duitang.com/search/?kw=%E6%96%87%E8%B1%AA%E9%87%8E%E7%8A%AC&type=feed",1,3)

和前一篇一样添加了起始页和终止页两个参数。

下载后文件夹：

ps:太宰桑真是太萌辣(●'◡'●)ﾉ♥不说了再去看一遍~