python爬虫获取京东手机图片的图文教程

177 阅读 0 评论 117 点赞

我是靠谱客的博主大气故事，最近开发中收集的这篇文章主要介绍python爬虫获取京东手机图片的图文教程，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

如题，首先当然是要打开京东的手机页面

这个很明显不是我们要找的手机图片链接

所以我们要使用正则表达式将真正的图片链接筛选出来，观察发现这两个图片链接的区别在于手机图片链接里面含有n7元素，而另外一个图片链接含有n9元素，这样子我们的正则表达式就可以表示为pat2 = '//.+?/n7/.+?\.jpg'

接着我们要找到这个页面最后一张手机图片的位置，方便找出可以作为筛选页面的结束位置，方法和上面类似，在源代码搜索框输入小米（MI）红米Note4X 手机香槟金全网通 3GB+32GB 定位到页面最后一张图片位置

可以看到，下面<div class="page clearfix">在该页面中是唯一的，而且比较接近最后一张手机图片附近的链接，所以可以作为筛选结尾位置的元素，其实筛选的元素只要满足唯一并且接近我们要获取的目标，那么也可以作为我们要选取的元素

经过上面准备之后，我们得出了大概的思路

1首先进行第一次筛选，使用正则表达式pat1 = '<div id="plist".+<div class="page clearfix">'将图片链接的范围大概筛选出来

2然后进行第二次筛选，使用正则表达式pat2 = '//.+?/n7/.+?\.jpg'将手机图片链接筛选出来

3使用urllib.urlretrieve保存链接图片到本地

下面给出python代码

# -*- coding: UTF-8 -*- 
import re 
import urllib2 
import urllib 
 
def craw(url, page): 
 html1 = urllib2.urlopen(url).read() 
 html1 = str(html1) 
 pat1 = '<div id="plist".+<div class="page clearfix">' 
 result1 = re.compile(pat1, re.DOTALL).findall(html1) 
 #获取第一次筛选结果 
 result1 = result1[0] 
 #*匹配0个或者多个前面表达式 
 #.匹配任意字符，加上re.dotall包括换行符 
 #+匹配1个或者多个前面表达式 
 #?非贪婪匹配，就是只匹配一组 
 #筛选出图片链接列表 
 pat2 = '//.+?/n7/.+?\.jpg' 
 imagelist = re.compile(pat2).findall(result1) 
 #x作为图片文件的顺序 
 x=1 
 
 for imageurl in imagelist: 
 imagename = "C:/Users/Administrator/Desktop/jdphone_img/" + str(page) + str(x) + ".jpg" 
 imageurl = "http:" + imageurl 
 try: 
  #保存图片 
  urllib.urlretrieve(imageurl, filename=imagename) 
 except urllib2.URLError as e: 
  #hasattr判断对象里面是否有name属性 
  if hasattr(e, "code"): 
  x+=1 
  if hasattr(e, "reason"): 
  x+=1 
 x+=1 
 
for i in range(1, 3): 
 url = "https://list.jd.com/list.html?cat=9987,653,655&page=" + str(i) 
 craw(url, i)

注意：我这里只保存了第一二页的手机图片，在进行第二次筛选的时候正则表达式之所以会加了一个"?"进行非贪婪匹配，也就是一次只筛选出一张手机图片链接，如果不加这个非贪婪匹配那么我们会把第一个含有“//”到最后一个结尾含有.jpg之间的所有内容都会筛选出来，显示是不符合的，在这里建议可以把正则表达式的?去掉，然后看一下输出结果，去体会一下非贪婪匹配是怎么样的。