学习重点:
一、主要的安装包，requests、BeautifulSoup4
二、首先爬取每页的网址
三、再爬取每页的全部图片
四、下载图片和设置保存路径和图片名字
五、整合代码
1、主要的安装包requests、BeautifulSoup4
1）用来请求网络数据requests
2）用来解析html文档，然后过滤我们需要的数据BeautifulSoup4
3）引用安装包有两种方法，可以全部导入进来，也可以只导入你需要的部分进来
import requests From bs4 import BeautifulSoup4
2、首先爬取每页的网址
爬取的网站为斗图啦：https://www.doutula.com/photo/list/
我们要来分析一下爬取网站的url=https://www.doutula.com/photo/list/ 当你点击到不同的页面上是会发现网址变了，而且还非常有规律的变化，如图到第三页（https://www.doutula.com/photo/list/?page=3）多了一个?page=3，
当你到100页你发现多了一个?page=100，所以我们可以用一个For循环来获取全部的页面，
BASE_PAGE_URL = ‘https://www.doutula.com/photo/list/?page=’ BASE_URL_LIST = [] for x in range(1,401): #爬取1到400页的表情
url = BASE_PAGE_URL + str(x)#将1到400转换成字符串形式
#print(url)#可以打印来看看是不是1-400页全部的网址
PAGE_URL_LIST.append(url)#存入到列表中
打印结果：
3、再爬取每页的全部图片
爬取每页的全部图片，这时就需要来分析网页源代码，看图片放在什么地方。鼠标右击进入网页元素界面如下图：
要想找到某张图片对应的网页源代码，点击如图所示箭头即可快速找到
找到资源那就来分析是不是有规律，果然如此，我们发现每张图片的img标签的属性class都相同class= “img-responsive lazy image_dta loaded”,不要加loaded，加了下载不到图片（原因不明）
所以又可以通过For循环来获取整页的图片网址
re = requests.get('https://www.doutula.com/photo/list/?page=1') content = re.content # 解析该页面
soup = BeautifulSoup(content, 'lxml') img_list = soup.find_all('img', attrs={'class': 'img-responsive lazy image_dta'}) for img in img_list: print('http:' + img['data-original']) print('_'*30)
打印结果：点击网址即可出现图片
4、下载图片的保存路径和图片名称设置
这里需要用到另外一个python自带urllib.request库，导入方法同上。
url = 'http://ww1.sinaimg.cn/bmiddle/9150e4e5gy1g3wwi7dn6sj208c08caab.jpg' split_list = url.split('/')#将url字符串分割成四段[‘http:’,’ww1.sinaimg.cn’,’bmiddle’,’9150e4e5gy1g3wwi7dn6sj208c08caab.jpg’]
filename = split_list.pop() #将9150e4e5gy1g3wwi7dn6sj208c08caab.jpg作为图片的名字
path = os.path.join('imgpic', filename)#保存路径， #注意Windows为（反斜杠）和Linux（斜杠）里面路径不同 #D:\sourceis\imgpic #~/oyl_python/imgpic
urllib.request.urlretrieve(url, filename=path)
运行结果：创建了一个imgpic的文件夹，里面下载了一张名称为9150e4e5gy1g3wwi7dn6sj208c08caab.jpg的图片
5、整合代码
#!/usr/bin/env/python # _*_coding:utf-8 _*_
#用来请求网络数据
import requests import urllib.request #用来解析HTML文档，然后过滤我们需要的数据
from bs4 import BeautifulSoup import os #每页数据 https://www.doutula.com/photo/list/?page=1
#获取1到400的全部页面 BASE_PAGE_URL = 'https://www.doutula.com/photo/list/?page=' PAGE_URL_LIST = [] for x in range(1,401): url = BASE_PAGE_URL + str(x) PAGE_URL_LIST.append(url) def download_imge(url): #url = 'http://ww1.sinaimg.cn/bmiddle/9150e4e5gy1g3wwi7dn6sj208c08caab.jpg'
split_list = url.split('/') filename = split_list.pop() path = os.path.join('imgpic', filename) try: urllib.request.urlretrieve(url, filename=path) except: pass
def get_page(page_url): # 获取每页里面的图片
#re = requests.get('https://www.doutula.com/photo/list/?page=1')
re = requests.get(page_url) # print(re.content)
content = re.content # 解析该页面
soup = BeautifulSoup(content, 'lxml') img_list = soup.find_all('img', attrs={'class': 'img-responsive lazy image_dta'}) # print(img_list)
for img in img_list: # print('http:' + img['data-original'])
# print('_'*30)
# url = 'http:' + img["data-original"]
url = img["data-original"] download_imge(url) def main(): for page_url in PAGE_URL_LIST: get_page(page_url) pass
if __name__ == '__main__': main()