python2爬取百度贴吧指定关键字和图片代码实例

目的：在百度贴吧输入关键字和要查找的起始结束页，获取帖子里面楼主所发的图片

思路：

• 获取分页里面的帖子链接列表

• 获取帖子里面楼主所发的图片链接列表

• 保存图片到本地

注意事项：

• 问题：在谷歌浏览器使用xpath helper插件时有匹配结果，但在程序里面使用python内带的xpath匹配却为空的原因。

• 原因：不同服务器会对不同的浏览器返回不同的数据，导致在谷歌浏览器看到的和服务器返回的有区别

• 解决方法：使用IE浏览器的User-agenet，而且越老的版本，报错几率相对越小

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import urllib2
import urllib
import os
from lxml import etree
keyword = raw_input('请输入要查询的关键字： ')

keyword = {'kw':keyword}

kw = urllib.urlencode(keyword)

startpage = raw_input('请输入开始页数： ')

endpage = raw_input('请输入结束页数： ')

url = 'https://tieba.baidu.com/f' + '?' + kw

print('开始下载...')
# 计算下载的图片个数，注意：变量n如放在最外层循环，可以统计每个分页图片个数
n = 0
# 获取分页里面帖子链接列表，获取每个帖子里楼主所发的图片链接列表，保存图片
# 获取帖子链接列表
for page in range(int(startpage),int(endpage)+1):
   pnumber = {'pn': str((page - 1)*50)}
   pnumber = urllib.urlencode(pnumber)
   fullurl = url + '&' + pnumber
   # 发现使用谷歌浏览器的User-Agent，会导致后面的xpath匹配结果有时为空。原因：服务器会对不同的浏览器发出的同一请求返回不同格式的数据，此时返回的数据和在谷歌浏览器里面看到的数据不同。
   # 解决办法：使用IE浏览器的User-Agent，因为IE的相对来说更标准，而且版本越老问题越少。
   headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; rv:11.0) like Gecko"}
   request = urllib2.Request(fullurl,headers=headers)
   response = urllib2.urlopen(request)
   html = response.read()

# 解析html 为 HTML DOM文档
   content = etree.HTML(html)
   # xpath使用下面括号内容进行匹配，使用a的属性使用了class='j_th_tit'去过滤广告则匹配结果为空；换成a的属性rel="noreferrer"就解决。为啥换不清楚。思路，这个属性不行换个属性。
   # 获取每个分页里面的帖子的链接列表
   link_list = content.xpath('//div[@class="threadlist_lz clearfix"]/div/a[@rel="noreferrer"]/@href')
   # 获取该帖子楼主所发的图片链接列表
   for link in link_list:
     link = 'https://tieba.baidu.com' + link
     request2 = urllib2.Request(link,headers=headers)
     response2 = urllib2.urlopen(request2)
     html2 = response2.read()

# 把html字符串解析为html dom
     content2 = etree.HTML(html2)

# 使用xpath匹配其里面层主所发的图片的链接
     link_list2 = content2.xpath('//img[@class="BDE_Image"]/@src')

# 遍历图片链接列表，保存图片到文件夹images内
     for link2 in link_list2:

request3 = urllib2.Request(link2,headers=headers)
       response3 = urllib2.urlopen(request3)
       html3 = response3.read()
       # 指定文件名
       filename = link2[-10:]
       n += 1
       print('正在保存第 ％3d 张图片'％n)

# html3为返回的图片内容，把图片写入images2文件夹内
       with open('images' + '/' + filename,'wb') as f:
         f.write(html3)

print('下载结束！')

来源：https://www.cnblogs.com/silence-cc/p/9232989.html