Python爬虫之静态页面爬取

最新推荐文章于 2025-06-18 22:05:49 发布

原创最新推荐文章于 2025-06-18 22:05:49 发布 · 1.3w 阅读

51 ·

CC 4.0 BY-SA版权

文章标签：

#python #爬虫 #静态页面爬取 #xpath #lxml

Python 专栏收录该内容

37 篇文章

订阅专栏

本文介绍如何使用Python编写爬虫程序抓取指定网站上的图片资源，包括需求分析、框架选择及具体实现步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Python爬虫之静态页面爬取

前言

Python语言代码简短，功能精悍。如Python之父所言 “人生苦短，我用Python” 。所以Python语言写爬虫具有其他语言比不了的优势。Python简直为爬虫而生。

在写爬虫程序之前，先说下爬虫程序的步骤，爬虫程序一般分为以下几步：

1. 明确爬虫需求
- 1.1 需求分析
2. 选择爬虫框架
- 2.1 框架简介
3. 编写爬虫程序
- 3.1 抓取网页数据
- 3.2 清洗网页数据（通过规则获取网页数据）
- 3.3 保存数据

1. 明确爬虫需求

本文需要爬取的网站是：http://www.jandan.net/ooxx

需要爬取的内容是：爬取该网站的美女图片。

1.1 需求分析

首先我们打开需要爬取的网站，选中一张美女图片，点击鼠标右键，选中检查，查看这张图片在html页面的位置。打开浏览器xpath-helper插件（没安装该插件可以通过浏览器应用安装），如下图所示：

通过使用xpath语法进行规则匹配，查找到我们想要的资源图片。同时我们也需要爬取下一页的图片数据，通过xpath语法找到下一页的url，加载下一页数据。所以我们需要采用递归的方式一页一页的爬取图片数据。

2. 爬虫框架的选择

本文采用Python3.6版本开发环境。

网络请求框架使用：urllib

html页面解析框架使用：lxml和xpath语法

最后将爬取的数据保存到本地文件。

2.1 框架简介

urllib 框架

urllib是Python3.0的一个http网络请求框架，是系统的框架，功能比较强大。

urllib类库包含四个模块：request模块，parse模块，error模块，robotparser模块。

我们一般常用的是urllib.request模块。下面介绍一下request模块的常用api：

urlopen()：请求url的方法，参数比较多，如下：

urlopen(url, data=None, timeout=socket._GLOBAL_DEFAULT_TIMEOUT,
        *, cafile=None, capath=None, cadefault=False, context=None)

1. url：可以是一个string或者是一个Request对象。（重点）

2. data：默认是None。（重点）
    如果传参需要传入dict字典类型。提供数据参数时，HTTP请求将是POST而不是GET
    data应该使用application / x-www-form-urlencoded格式，需要urllib.parse.urlencode()进行编码。

3. timeout：超时时间

4. cafile：cafile应指向包含一系列CA证书的单个文件

5. capath：capath应指向散列证书文件的目录

6. cadefault：参数是否被忽略

7. context：如果指定了上下文，则它必须是描述各种SSL选项的ssl.SSLContext实例。


urlopen()返回的一个上下文的管理对象，对于http，https,返回的是一个http.client.HTTPResponse对象。

HTTPResponse对象

HTTPResponse对象，将响应的数据封装起来，常用的方法有：

response.geturl()：返回检索资源的URL，通常用于确定是否遵循重定向

response.code()：返回的是响应码

response.msg：返回的是响应信息

response.info()：返回的是响应头信息

response.read()：读取响应的数据，响应体

详细API可看下面官方文档：

urllib官网文档

HTTPResponse官网文档

lxml类库和xpath语法

lxml类库是一个Html/XML的解析器，主要功能是如何解析和提取HTML/XML数据。

lxml的安装

pip install lxml

lxml的api介绍

lmxl借助etree模块，来处理xml和html的数据。如下所示：


# 1. 将html页面数据转成ElementTree对象

tree = etree.HTML(text) 


# 2. 解析一个html文件，返回一个ElementTree对象

tree = etree.parse('xxxx.html')


# 3. 通过xpath语法解析规则，解析ElementTree对象


#    参数rule是xpath解析html的规则（具体参考xpath语法文档）。


#    返回一个结果集（结果集有可能是Element的list集合，也有可能是字符串的list结合）

results = tree.xpath(rule)


# 4. 将Element/ElementTree对象转成html的文本信息，返回一个文本信息

etree.tostring(element)


# 5. 获取Element对象（html标签）的文本信息

str = element.text

文档参考：

lxml官方文档

xpath语法文档

3. 编写爬虫程序

我们明确需求，选择好框架后，就开始编写爬虫程序了，我们将爬虫程序分为3步，抓取数据，清洗数据，保存数据。
为了代码能很好的复用，我们把它封装成一个类JanDanSpider。定义3个方法，load_page() , parse_page() , load_image(), 如下：

class JanDanSpider(object):

    def __init__(self):
        pass

    def load_page(self):
        pass

    def parse_page(self):
        pass

    def load_image(self):
        pass

3.1 抓取网页数据

通过urllib.request模块，请求url链接，返回响应的内容。因为我们需要递归解析页面，以及加载图片，所有将请求的方法提取出来，封装成一个get_response()方法，具体如下：

import urllib.request

class JanDanSpider(object):

    def __init__(self):
        pass

    def get_response(self , url):

        # 修改http的headers的User-Agent头字段，如果不修改，默认是Python-urllib/3.6
        # 如果使用默认的User-Agent,这样就直接暴露这是一个爬虫程序，就容易导致ip被封。
        headers = {
            "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36"
        }

        # 通过Request获取一个请求对象request
        request = urllib.request.Request(url, headers = headres)

        # 发送请求，返回一个响应对象response 
        response = urllib.request.urlopen(request)

        # 将服务端返回的数据返回出去
        return response.read()


    def load_page(self , url):
        # 1. 调用get_response方法，获取网页数据
        response  = self.get_response(url)

        # 2. ... 下面继续

    def parse_page(self):
        pass

    def save_image(self):
        pass

3.2 清洗网页数据

当我们获取网页返回的响应数据，接下来就是使用lxml和xpath规则解析网页的数据。

在”http://www.jandan.net/ooxx“网页中，有2种图片，一种是正常显示出来的normal图片，一种是大图，需要点击查看大图才能看到。除此之外，我们还需要解析出上一页的页面的url。

因为解析的方法都是一致的，只是rule的规则不同，返回的数据不同，所以我们将复用解析方法。传入rule参数。

import urllib.request
from lxml import etree

class JanDanSpider(object):

    def __init__(self):

        # 大图的xpath解析规则
        self.rule_large = "//ol[@class='commentlist']/li//a[@class='view_img_link']/@href"
        # 正常图的xpath解析规则
        self.rule_normal = "//ol[@class='commentlist']/li//img/@src"
        # 上一页的xpath解析规则
        self.rule_pre_page = "//div[@class='comments']//a[@class='previous-comment-page']/@href"


    def load_page(self , url):

        # 获取服务端的响应数据
        text = self.get_response(url)

        # 通过大图的解析规则，处理大图的结果集
        self.deal_images(self.parse_page(text, self.rule_large))
        # 通过正常图的解析规则，处理正常图的结果集
        self.deal_images(self.parse_page(text, self.rule_normal))
        # 通过上一页的解析规则，处理上一页的结果集
        self.deal_pre_page(self.parse_page(text, self.rule_pre_page))


    def parse_page(self, text, rule):
        """
        解析页面
        :param text: 服务端返回的数据
        :param rule: 解析规则
        :return: 返回解析页面的结果
        """
        # 通过etree库，将服务端返回的页面数据封装成ElementTree对象
        tree = etree.HTML(text)
        # 通过xpath规则(rule)解析ElementTree对象，返回数据列表
        return tree.xpath(rule)


    def deal_images(self, images):
        """
        处理页面解析获得的图片
        :param images: 解析页面返回的图片集合
        :return:
        """
        if images is not None:
            # 遍历数据列表
            for image in images:
                if 'http:' not in image:
                    # 拼接图片的url
                    image = 'http:' + image
                print(image)
                # 下载图片
                self.load_image(image)


    def deal_pre_page(self, results):
        """
        处理下一页
        :param results: 解析页面结果
        :return:
        """
        if results is not None:
            # 因为在页面有2处，解析有2个一样的地址
            if len(results) > 0:
                # 取第一个
                url = results[0]
                if self.host in url:
                    if 'http:' not in url:
                        # 拼接字符串
                        url = 'http:' + url
                        # 加载下一个页面
                        self.load_page(url)


    def load_image(self, image_url):
        pass

3.3 保存数据

最后获取的数据，是图片的url链接，我们需要将url链接下载对应的图片，并保存到本地。

class JanDanSpider(object):

    def load_image(self, image_url):
        """
        下载图片
        :param image_url: 图片的url
        :return:
        """
        with open(self.create_filename(image_url), 'wb')as f:
            f.write(self.get_response(image_url))


    def create_filename(self, image_url):
        """
        通过图片的url来确定存储路径
        :param image_url:   图片的url
        :return:
        """
        results = image_url.split('/')
        if 'large' in image_url:
            filename = 'image/large/' + results[-1]
        else:
            filename = 'image/normal/' + results[-1]
        return filename

最后我们调用爬虫程序，然后运行：

if __name__ == 'main':
    # 爬取的网站
    url = "http://jandan.net/ooxx"
    spider = JanDanSpider()
    spider.load_page(url)

运行输出的图片url，如图：

具体代码，可参见我的github , GitHub项目地址。