最近看了女神的新剧《逃避虽然可耻但有用》，同样男主也是一名程序员，所以很有共鸣
被大只萝莉萌的一脸一脸的，我们来爬一爬女神的皂片。
百度搜索结果：新恒结衣
本文主要分为4个部分：
1.下载简单页面
2.爬取多张图片
3.页面解码
4.爬取过程排错处理
1.下载简单页面
通过查看网页的html源码，分析得出，同一张图片共有4种链接：
{"thumbURL":"http://img5.imgtn.bdimg.com/it/u=2243348409,3607039200&fm=23&gp=0.jpg",
"middleURL":"http://img5.imgtn.bdimg.com/it/u=2243348409,3607039200&fm=21&gp=0.jpg",
"hoverURL":"http://img5.imgtn.bdimg.com/it/u=2243348409,3607039200&fm=23&gp=0.jpg",
"objURL":"http://attachments.gfan.com/attachments2/day_110111/1101112033d77a4a8eb2b00eb1.jpg"}
主要区别是分辨率不同，objURL是图片的源也是最清楚的一张。经测试，前三种都有反爬虫措施，用浏览器可以打开，但是刷新一次就403 Forbidden。用爬虫获取不到图片
第四种objURL是指图片的源网址，获取该网址会出现三种情况：
- 正常。继续下载
- 403 Forbidden。用continue跳过。
- 出现异常。用try except处理。
#coding: utf-8
import os
import re
import urllib
import urllib2 def getHtml(url):
page=urllib.urlopen(url)
html=page.read()
return html def getImg(html):
reg=r'"objURL":"(.*?)"' #正则
# 括号表示分组，将括号的内容捕获到分组当中
# 这个括号也就可以匹配网页中图片的url了
imgre=re.compile(reg)
print imgre
imglist=re.findall(imgre,html)
l=len(imglist)
print l
return imglist def downLoad(urls,path):
index = 1
for url in urls:
print("Downloading:", url)
try:
res = urllib2.Request(url)
if str(res.status_code)[0] == "":
print("未下载成功：", url)
continue
except Exception as e:
print("未下载成功：", url)
filename = os.path.join(path, str(index) + ".jpg")
urllib.urlretrieve(url,filename) #直接将远程数据下载到本地。
index += 1
html =getHtml("http://image.baidu.com/search/index?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&fm=result&fr=&s"
"f=1&fmq=1484296421424_R&pv=&ic=0&nc=1&z=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&"
"word=新垣结衣&f=3&oq=xinyuanj&rsp=0")
Savepath="D:\TestDownload"
downLoad(getImg(html),Savepath)
其中urlretrieve方法
直接将远程数据下载到本地。
urllib.urlretrieve(url[, filename[, reporthook[, data]]])
参数说明：
url：外部或者本地url
filename：指定了保存到本地的路径（如果未指定该参数，urllib会生成一个临时文件来保存数据）；
reporthook：是一个回调函数，当连接上服务器、以及相应的数据块传输完毕的时候会触发该回调。我们可以利用这个回调函数来显示当前的下载进度。
data：指post到服务器的数据。该方法返回一个包含两个元素的元组(filename, headers)，filename表示保存到本地的路径，header表示服务器的响应头。
女神的照片就这么被爬下来了
2.爬取更多图片
等等，这个方法不过瘾呀，百度图片的页面是动态加载的，需要你往下滑才能继续加载后面的照片，我们这才完成了第一步，只爬到了30张图。
打开浏览器，按F12，切换到Network标签，然后将网页向下拉。这时浏览器地址栏的网址并没有改变，而网页中的图片却一张张增加，说明网页在后台与服务器交互数据。好的发现了就是这个家伙
XHR英文全名XmlHttpRequest，中文可以解释为可扩展超文本传输请求。Xml可扩展标记语言，Http超文本传输协议，Request请求。XMLHttpRequest对象可以在不向服务器提交整个页面的情况下，实现局部更新网页。当页面全部加载完毕后，客户端通过该对象向服务器请求数据，服务器端接受数据并处理后，向客户端反馈数据。
点开对比Request的URL，可以发现，基本上是一样的，除了末尾一点点。
只是pn的值不一样，测试发现，pn应该是表示当前请求的图片序号，rn表示更新显示图片的数量。
pn=90&rn=30&gsm=5a&1484307466221=
pn=120&rn=30&gsm=5a&1484307466223=
pn=150&rn=30&gsm=78&1484307469213=
pn=180&rn=30&gsm=78&1484307469214=
pn=210&rn=30&gsm=b4&1484307553244=
推荐一款Chrom的插件，Json handle。很方便。
百度云下载地址。链接：http://pan.baidu.com/s/1qXZEjaW 密码：nxr5
现在知道了，其实我们只要不断访问这个Request URL，改变他的pn值理论上就可以实现下载多张图片了。
def getMoreURL(word):
word = urllib.quote(word)
url = r"http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&fp=result&queryWord={word}" \
r"&cl=2&lm=-1&ie=utf-8&oe=utf-8&st=-1&ic=0&word={word}&face=0&istype=2nc=1&pn={pn}&rn=60"
urls = (url.format(word=word, pn=x) for x in itertools.count(start=0, step=30))
#itertools.count 0开始，步长30，迭代
return urls
其中，urllib.quote的作用是，对url就行处理。
所以 URL 中使用其他字符就需要进行 URL 编码。
URL 中传参数的部分（query String），格式是：
name1=value1&name2=value2&name3=value3
假如你的 name 或者 value 值中有『&』或者『=』等符号，就当然会有问题。所以URL中的参数字符串也需要把『&=』等符号进行编码。
URL编码的方式是把需要编码的字符转化为 %xx 的形式。通常 URL 编码是基于 UTF-8 的（当然这和浏览器平台有关）。
例子：
比如『我』，unicode 为 0x6211, UTF-8 编码为 0xE6 0x88 0x91，URL 编码就是
%E6%88%91itertools.count(start,step)的作用是一个迭代器，2个参数是开始和步长，这样就得到一个等差数列，这个数列填入url中，就得到了我们的urls。
试了下，转到解析得到的数据，objURL居然不是一个http的图片，查资料，显示下一步要做的就是解码。
"objURL":"ippr_z2C$qAzdH3FAzdH3Fta_z&e3Bi1fsk_z&e3Bv54AzdH3FkufAzdH3Fw6vitejAzdH3F99lwbdublldlnvjaavmc8c01ba8a8m1mu0vjwama_z&e3B3r2"
3.页面解码
参考百度图片页面解码，发现其实就是一个table，key和value对应就可以解码了，简直就是明文密码0.0.。。。
所以在我们的程序里加个字典，多个解码的过程。
期间解码过程一度出错，经过仔细排查，是url.translate(char_table)出了问题，
str 的translate方法需要用单个字符的十进制unicode编码作为key
value 中的数字会被当成十进制unicode编码转换成字符
也可以直接用字符串作为value
所以需要加上一行
char_table = {ord(key): ord(value) for key, value in char_table.items()}
然而试了还是不行，提示translate方法有问题，去查了一下官方的文档
里面的例子是maketrans()方法一起用的，例子是替换元音字母
#!/usr/bin/python from string import maketrans # 引用 maketrans 函数。 intab = "aeiou"
outtab = ""
trantab = maketrans(intab, outtab) str = "this is string example....wow!!!";
print str.translate(trantab);
输出结果：
1 th3s 3s str3ng 2x1mpl2....w4w!!!
所以对我们的chartable做处理，将key和value 通过maketrans关联：
intab="wkv1ju2it3hs4g5rq6fp7eo8dn9cm0bla"
outtab="abcdefghijklmnopqrstuvw1234567890"
trantab = maketrans(intab, outtab)
到此为止，成功解析图片url。
4.爬取过程排错处理
真正在爬取的时候，会有一些错误，什么404,403啊，这样的话，程序就爬不到图片，这就比较尴尬了。
所以在下载的时候，需要做处理。
开始的时候，我用的是这种：
try:
res = requests.get(imgUrl, timeout=10) #超时
if str(res.status_code)[0] == "":
print(str(res.status_code), ":" , imgUrl)
return False
except Exception as e:
print("抛出异常：", imgUrl)
print(e)
但是爬着爬着发现，有的时候status_code不存在，又调试了一番，通过对比，发现404,403这种属于HTTPErro，但是request的时候，还可能产生URLError，如下图。
所以抛出异常的过程就需要进行分开处理了。
10060 因为目标主机主动拒绝，连接不能建立。这通常是因为试图连接到一个远程主机上不活动的服务，如没有服务器应用程序处于执行状态
res = urllib2.Request(url)
try:
response = urllib2.urlopen(res ,data=None, timeout=5) #超时处理
except urllib2.URLError, e:
if hasattr(e,'code'):
error_status = e.code
print(error_status, "未下载成功：", url)
continue
elif hasattr(e,'reason'):
print( "time out", url)
continue
测试成功，可以通过自己设置下载图片数量，然后无线爬了，爬的速度差不多2分钟爬了300多张，这和图片的源和大小都有一定关系。
All Code：
#coding: utf-8
import os
import re
import urllib
import urllib2
import itertools #迭代器
from string import maketrans str_table = {
'_z2C$q': ':',
'_z&e3B': '.',
'AzdH3F': '/'
} char_table = {
'w': 'a',
'k': 'b',
'v': 'c',
'': 'd',
'j': 'e',
'u': 'f',
'': 'g',
'i': 'h',
't': 'i',
'': 'j',
'h': 'k',
's': 'l',
'': 'm',
'g': 'n',
'': 'o',
'r': 'p',
'q': 'q',
'': 'r',
'f': 's',
'p': 't',
'': 'u',
'e': 'v',
'o': 'w',
'': '',
'd': '',
'n': '',
'': '',
'c': '',
'm': '',
'': '',
'b': '',
'l': '',
'a': ''
} intab="wkv1ju2it3hs4g5rq6fp7eo8dn9cm0bla"
outtab="abcdefghijklmnopqrstuvw1234567890"
trantab = maketrans(intab, outtab) char_table = {ord(key): ord(value) for key, value in char_table.items()}
def deCode(url):
# 先替换字符串
for key, value in str_table.items():
url = url.replace(key, value)
# 再替换剩下的字符
d=url.translate(trantab)
return d def getMoreURL(word):
word = urllib.quote(word)
url = r"http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&fp=result&queryWord={word}" \
r"&cl=2&lm=-1&ie=utf-8&oe=utf-8&st=-1&ic=0&word={word}&face=0&istype=2nc=1&pn={pn}&rn=30"
urls = (url.format(word=word, pn=x) for x in itertools.count(start=0, step=30))
#itertools.count 0开始，步长30，迭代
return urls def getHtml(url):
page=urllib.urlopen(url)
html=page.read()
return html #解析图片url解码
def getImg(html):
reg=r'"objURL":"(.*?)"' #正则
# 括号表示分组，将括号的内容捕获到分组当中
# 这个括号也就可以匹配网页中图片的url了
imgre=re.compile(reg)
imageList=re.findall(imgre, html)
imgUrls=[] for image in imageList:
imgUrls.append(deCode(image)) l=len(imgUrls)
print l
return imgUrls def downLoad(urls,path):
global index
for url in urls:
print("Downloading:", url)
res = urllib2.Request(url)
try:
response = urllib2.urlopen(res ,data=None, timeout=5) #超时处理
except urllib2.URLError, e:
if hasattr(e,'code'):
error_status = e.code
print(error_status, "未下载成功：", url)
continue
elif hasattr(e,'reason'):
print( "time out", url)
continue continue filename = os.path.join(path, str(index) + ".jpg")
urllib.urlretrieve(url,filename) #直接将远程数据下载到本地。
index += 1
# urllib.urlretrieve(url[, filename[, reporthook[, data]]])
# 参数说明：
# url：外部或者本地url
# filename：指定了保存到本地的路径（如果未指定该参数，urllib会生成一个临时文件来保存数据）；
# reporthook：是一个回调函数，当连接上服务器、以及相应的数据块传输完毕的时候会触发该回调。我们可以利用这个回调函数来显示当前的下载进度。
# data：指post到服务器的数据。该方法返回一个包含两个元素的元组(filename, headers)，filename表示保存到本地的路径，header表示服务器的响应头。
if index-1==1000:
break if __name__ == '__main__':
keyWord="新垣结衣"
index = 1
Savepath = "D:\TestDownload"
urls=getMoreURL(keyWord) for url in urls:
downLoad(getImg(getHtml(url)),Savepath)
if index-1==1000:
break