1.抓取淘宝MM的姓名，头像，年龄，居住地，以及个人详情页面地址。
2.抓取每一个MM的资料简介以及写真图片(自己代码没实现)
3.把每一个MM的写真图片按照文件夹保存到本地(自己代码没实现图片保存)
4.熟悉文件保存的过程
自己代码只实现里抓取MM姓名、年龄、居住地和个人地址，然后保存到每人名字对应文件夹下的TXT中。
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
自己代码：
import urllib
import urllib.request
import re
import os
class TB:
def __init__(self,baseUrl):
self.baseUrl = baseUrl
self.path = "D:\\tb\\"
self.urls = []
self.names = []
self.ages = []
self.ads = [] #地址
def getPage(self,pageNum):
try:
url = self.baseUrl + "?page=" + str(pageNum)
request = urllib.request.Request(url)
response = urllib.request.urlopen(request)
return response.read().decode('GBK')
except urllib.error.URLError as e:
if hasattr(e,"reason"):
print("获取页码失败",e.reason)
def getName(self,tbPage):
pattern = re.compile('<a class="lady-name" href="(.*?)" target="_blank">(.*?)</a>',re.S)
items = re.findall(pattern,tbPage)
#print(items)
#print("1===========")
for item in items:
#print(item)
#print(item[1])
self.names.append(item[1])
self.urls.append("http:"+item[0])
#print(self.names)
#print("2===========")
#print(self.urls)
def getAges(self,tbPage):
pattern = re.compile('</a>.*?<em><strong>(.*?)</strong>岁</em>',re.S);
ageItems = re.findall(pattern,tbPage)
#print(ageItems)
for item in ageItems:
#print(item)
self.ages.append(item)
#print(self.ages)
def getAds(self,tbPage):
pattern = re.compile('<em><strong>.*?</strong>岁</em>.*?<span>(.*?)</span>.*?<span class="friend-follow J_FriendFollow" data-custom',re.S);
adsItems = re.findall(pattern,tbPage)
#print(adsItems)
for item in adsItems:
self.ads.append(item)
def makeDirectory(self):
myNames = self.names;
#print(myNames)
for item in myNames:
#print(item)
path = self.path + item;
#print(path)
# 去除首位空格
path=path.strip()
# 判断路径是否存在
isExists=os.path.exists(path)
if not isExists:
print(path+' 创建成功')
# 创建目录操作函数
os.makedirs(path)
#return True
else:
print(path+' 目录已存在')
#return False
def makeFiles(self):
myNames = self.names;
i = 0
for item in myNames:
title = self.path + "\\" + item + "\\" + item
file = open(title + ".txt","wb")
item = item + "\n" + self.urls[i] + "\n" + self.ages[i] + "\n" + self.ads[i]
print(item)
item = bytes(item,encoding="GBK")
file.write(item)
i += 1
baseUrl = "https://mm.taobao.com/json/request_top_list.htm"
tb = TB(baseUrl)
tbPage = tb.getPage(1)
#print(tbPage)
print("=====================================================")
tb.getAges(tbPage)
tb.getName(tbPage);
tb.getAds(tbPage)
tb.makeDirectory();
tb.makeFiles(); 简单实现了下效果，第一次写，还需要多熟练。
效果图片：
例子代码：
import urllib
import urllib.request
import http.cookiejar
import re
import os
#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\n
replaceLine = re.compile('<tr>|<div>|</div>|</p>')
#将表格制表<td>替换为\t
replaceTD= re.compile('<td>')
#将换行符或双换行符替换为\n
replaceBR = 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()
#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()
#获取索引页面的内容
def getPage(self,pageIndex):
url = self.siteURL + "?page=" + str(pageIndex)
request = urllib.request.Request(url)
response = urllib.request.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="(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)
items = re.findall(pattern,page)
contents = []
for item in items:
print("==========="+item[0] + item[1] + item[2] + item[3] + item[4])
contents.append([item[0],item[1],item[2],item[3],item[4]])
#print("+++++++++++++++++++++++")
#print(contents)
return contents
#获取MM个人详情页面
def getDetailPage(self,infoURL):
response = urllib.request.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)
print(result)
if result is None:
pass
else:
print(result)
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)
print(patternImg)
print("==============")
print(content.group(1))
images = re.findall(patternImg,content.group(1))
return images
#保存多张写真图片
def saveImgs(self,images,name):
number = 1
print(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) + "." + fTail
self.saveImg(imageURL,fileName)
number += 1
# 保存头像
def saveIcon(self,iconURL,name):
splitPath = iconURL.split('.')
fTail = splitPath.pop()
fileName = name + "/icon." + fTail
self.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",fileName)
f.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",fileName)
f.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 False
isExists=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 True
else:
# 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")
#个人详情页面的URL
detailURL = "http:" + item[0]
print(u"又意外地发现她的个人地址是",detailURL)
#得到个人详情页面代码
detailPage = self.getDetailPage(detailURL)
#####################################
#此处需要登录，否则爬取的是登录页面的HTML
#淘宝登录模拟没有成功，此处先没管
#####################################
print(detailPage)
print("爬取个人详情页面成功...")
#获取个人简介
brief = self.getBrief(detailPage)
print("获取个人简介成功...")
#获取所有图片列表
images = self.getAllImg(detailPage)
print("获取所有图片列表成功...")
self.mkdir(item[2])
#保存个人简介
self.saveBrief(brief,item[2])
print("保存个人简介成功...")
#保存头像
self.saveIcon(item[1],item[2])
print("保存头像成功...")
#保存图片
self.saveImgs(images,item[2])
print("保存图片成功...")
#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(1,2)注意获取内容时，不再分开获取，直接一次性获取全部信息。
同时获取的信息每人的各项信息保存为一个数组，然后多人信息保存为一个数组contents。
#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="(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)
items = re.findall(pattern,page)
contents = []
for item in items:
print("==========="+item[0] + item[1] + item[2] + item[3] + item[4])
contents.append([item[0],item[1],item[2],item[3],item[4]])
#print("+++++++++++++++++++++++")
#print(contents)
return contents
。。。