前言

嗨喽，大家好呀~这里是爱看美女的茜茜呐

又到了学Python时刻~

环境使用:

• Python 3.8 解释器

• Pycharm 编辑器

模块

• import re

• import requests >>> pip install requests

模块安装问题:

• 如果安装python第三方模块:

  1. win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车

  2. 在pycharm中点击Terminal(终端) 输入安装命令

• 安装失败原因:

  • 失败一: pip 不是内部命令

    解决方法: 设置环境变量

  • 失败二: 出现大量报红 (read time out)

    解决方法: 因为是网络链接超时, 需要切换镜像源

        清华：https://pypi.tuna.tsinghua.edu.cn/simple
        阿里云：https://mirrors.aliyun.com/pypi/simple/
        中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/
        华中理工大学：https://pypi.hustunique.com/
        山东理工大学：https://pypi.sdutlinux.org/
        豆瓣：https://pypi.douban.com/simple/
        例如：pip3 install -i https://pypi.doubanio.com/simple/ 模块名
    

  • 失败三: cmd里面显示已经安装过了, 或者安装成功了, 但是在pycharm里面还是无法导入

    解决方法: 可能安装了多个python版本 (anaconda 或者 python 安装一个即可) 卸载一个就好
    或者你pycharm里面python解释器没有设置好

思路

image

image

代码展示

导入模块

# 导入数据请求模块 --> 第三方模块, 需要安装 pip install requests
import requests
# 导入正则模块 --> 内置模块, 不需要安装
import re

"""

1. 发送请求, 模拟浏览器对于url地址发送请求

   • 模拟浏览器 <反爬处理> 请求头 <字典数据类型>
     如果你不伪装, 可能会被识别出来是爬虫程序, 从而得到数据内容
     可以直接复制粘贴 --> 开发者工具里面就可以复制

   • <Response [200]> 响应对象
     Response: 中文意思-->响应
     <>: 表示对象
     200: 状态码 表示请求成功

   发送请求, 请求成功了

   

   image

"""

for page in range(2, 11):
    print(f'=================正在采集第{page}页的数据内容=================')

请求图片目录页面url

    url = f'http://www.****.com/dongman/index_{page}.htm'

伪装模拟成浏览器

    headers = {
        # User-Agent 用户代理 浏览器基本身份信息
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'
    }

发送请求

调用requests模块里面get请求方法, 对于url地址发送请求, 并且携带上headers请求头伪装, 最后用自定义变量名response接受返回的数据

    response = requests.get(url=url, headers=headers)

"""

2. 获取数据, 获取服务器返回响应数据

   response 网页源代码

   response.text 获取响应文本数据 <网页源代码>

3. 解析数据, 提取我们想要的数据内容

   • 图片ID

   正则表达式Re

   调用re模块里面findall方法 --> 找到所有我们想要的数据

   re.findall('找什么数据', '从哪里找') --> 从什么地方, 去匹配找什么样的数据内容

   从 response.text<网页源代码> 里面 去找 <a href="/desk/(\d+).htm" 其中 (\d+) 就是我们要的内容

   \d+ 表示任意数字

"""

提取图片ID --> 列表 <盒子/箱子> '29381' 是列表<箱子>里面元素<苹果>

    img_id_list = re.findall('<a href="/desk/(\d+).htm"', response.text)

for循环遍历, 把列表里面元素 一个一个提取出来

    for img_id in img_id_list:
        # img_id变量<袋子> 给 img_id_list 列表<盒子> 里面 元素<苹果> 给装起来
        print(img_id)

"""

4. 发送请求, 模拟浏览器对于url地址发送请求

• 请求 图片详情页页面url http://www.****.com/desk/{图片ID}.htm

5. 获取数据, 获取服务器返回响应数据

   response 网页源代码

"""
请求详情页链接 --> f'{img_id}' 字符串格式化方法

        link = f'http://www.*****.com/desk/{img_id}.htm'

发送请求

        response_1 = requests.get(url=link, headers=headers)

获取数据内容 网页源代码 ---> 乱码了, 进行转码

        response_1.encoding = 'gbk'

6. 解析数据, 提取我们想要的数据内容<图片链接/图片标题>

        img_url, img_title = re.findall('<img src="(.*?)" alt="(.*?)"', response_1.text)[0]

7. 保存数据 --> 先获取图片数据内容

        img_content = requests.get(url=img_url, headers=headers).content
        with open('img\\' + img_title + '.jpg', mode='wb') as f:
            f.write(img_content)
        print(img_url, img_title)

效果

尾语

感谢你观看我的文章呐~本次航班到这里就结束啦 ?

希望本篇文章有对你带来帮助 ?，有学习到一点知识~

躲起来的星星?也在努力发光，你也要努力加油（让我们一起努力叭）。