emm……真實的高三暑假是，整天無事可做 然后找事，于是開始學(xué)習(xí)Python

好的廢話不多說，進入正題

由題，作為一名初學(xué)者，想要玩轉(zhuǎn)爬蟲這類玩意還要花很大功夫。

所以我就從簡單的開始：提取XKCD漫畫（網(wǎng)頁簡單，提取方便）

使用 requests 和 bs4 模塊提取網(wǎng)頁內(nèi)容+分析html，然后再存入硬盤內(nèi)

---

首先，requests 和 bs4 都是 Python 的第三方庫，使用 pip install xxx（xxx 是 requests 和?bs4）安裝它們

requests 庫最主要的方法是 requests.get() ，根據(jù)指定的 url 提取超鏈接指向的內(nèi)容，可以附帶其他的一些參數(shù)來達到特定的目的

比如，傳入 timeout = 10 可以使得 連接和讀取超時的時間為 10s，超時會報錯

（用法：get(url, params=None, **kwargs)，**kwargs為可變參數(shù)，包含了timeout等）

這個網(wǎng)站很慢而且不穩(wěn)定，時常有連接不上的問題，為了防止爬蟲卡死，加入了重試的代碼：

            
              import requests, bs4

url = "http://xkcd.com"
downloadCount = 0                        # 下載的圖片文件計數(shù)

def get_elements(link, tle=10):          # tle:超時時間
    count = 1                            # count:嘗試訪問網(wǎng)頁的次數(shù)
                                         # 訪問成功則返回requests.get()取得的值，超過3次失敗則拋出異常
    while count <= 3:
        try:
            res = requests.get(link, timeout=tle)
            res.raise_for_status()
            return res
        except requests.exceptions.RequestException:
            count += 1
            print("Connection timeout. Retry --> %d in 3 times..." % count)

    raise TimeoutError("Your network is really bad. Please check your Internet and try again later.")
            
          

（其實可以由 requests 已經(jīng)封裝好的代碼來操作……然而暫時先不這么做）

然后！

就可以用 bs4.BeautifulSoup() 來分析這個網(wǎng)頁的 html 了

馬上找到圖片的鏈接，然后下載這個圖片

            
                  soup = bs4.BeautifulSoup(res.text,features="html.parser")   # 解析html，找到漫畫圖片對應(yīng)的鏈接
    releventContent = soup.select("#comic img")                 # 圖片都在html的這一段之內(nèi)
    picUrl = releventContent[0].get("src")

    print("Downloading picture %d..." % downloadCount)          # 下載圖片
    picResource = get_elements("http:" + picUrl)
            
          

每一張漫畫都有對應(yīng)的編號，存入硬盤時，為了更好區(qū)分，于是寫入文件時就以 編號+漫畫標題?的方式寫入

            
                  prevUrl = soup.select("a[rel='prev']")  # prevUrl = '/1234/'  查找圖片編號；格式如左
    prevNum = prevUrl[0].get("href")
    currentNum = 0                                              # 查找到當(dāng)前圖片的編號
    if prevNum == '#':
        currentNum = 1
    else:
        currentNum = int(prevNum.strip('/')) + 1

    print("Writing picture %d..." % downloadCount)              # 文件寫入硬盤
    picFile = open(str(currentNum) + '_' + os.path.basename(picUrl), 'wb')
                                                                # 以 編號+標題 的方式命名，二進制方式寫入
    for c in picResource.iter_content(100000):                  # 寫入文件
        picFile.write(c)
    picFile.close()
    print("File %d successfully written." % downloadCount)
            
          

最后別忘了調(diào)整 url 為上一幅漫畫的：

            
                  url = "http://xkcd.com" + prevNum                           # 上一幅圖片的url
            
          

于是！整個過程就弄完啦！然后就可以等待它慢慢扒圖……

圖例：

并不規(guī)范的 源碼：

            
              #! python3
# 爬蟲實踐1：XKCD Comics
# reversed sequence of comics, from latest to 1st image.

import os
import requests,bs4

os.chdir("g:\\work\\gjmtest\\comics")
os.makedirs("xkcd",exist_ok=True)
os.chdir(".\\xkcd")

url = "http://xkcd.com/"
downloadCount = 0

def get_elements(link, tle=10):
    count = 1
    while count <= 3:
        try:
            res = requests.get(link, timeout=tle)
            res.raise_for_status()
            return res
        except requests.exceptions.RequestException:
            count += 1
            print("Connection timeout. Retry --> %d in 3 times..." % count)
    raise TimeoutError("Your network is really bad. Please check your Internet and try again later.")

while not url.endswith('#'):
    downloadCount += 1                                          # 下載的文件總數(shù)
    if downloadCount > 50:
        break
    print("Analyzing page %d..." % downloadCount)
    res = get_elements(url)

    soup = bs4.BeautifulSoup(res.text,features="html.parser")   # 解析html，找到漫畫圖片對應(yīng)的鏈接
    releventContent = soup.select("#comic img")
    picUrl = releventContent[0].get("src")

    print("Downloading picture %d..." % downloadCount)          # 下載圖片
    picResource = get_elements("http:" + picUrl)

    prevUrl = soup.select("a[rel='prev']")  # prevUrl = '/1234/'  查找圖片編號；格式如左
    prevNum = prevUrl[0].get("href")
    currentNum = 0                                              # 查找到當(dāng)前圖片的編號
    if prevNum == '#':
        currentNum = 1
    else:
        currentNum = int(prevNum.strip('/')) + 1

    print("Writing picture %d..." % downloadCount)              # 文件寫入硬盤
    picFile = open(str(currentNum) + '_' + os.path.basename(picUrl), 'wb')
                                                                # 以 編號+標題 的方式命名，二進制方式寫入
    for c in picResource.iter_content(100000):                  # 寫入文件
        picFile.write(c)
    picFile.close()
    print("File %d successfully written." % downloadCount)

    url = "http://xkcd.com" + prevNum                           # 上一幅圖片的url

print("Done.")

            
          

?