最近开始学习爬虫，一开始看的是静觅的爬虫系列文章，今天看到糗事百科成人版，心里就邪恶了一下，把图片都爬下来吧，哈哈~
虽然后来实现了，但还是存在一些问题，暂且不提，先切入正题吧，没什么好说的，直接上代码如下：
环境：Python2.79
1 #coding: utf-8
2 import urllib2
3 import urllib
4 import re
5 import os
6
7 #糗百成人版抓取图片
8 class QBAdult:
9
10 #类初始化
11 def __init__(self):
12 self.baseURL = "http://www.qiubaichengnian.com/"
13 #获取索引页面内容
14 def getPage(self, pageIndex):
15 url = self.baseURL + "index_" + str(pageIndex) + ".html"
16 req_header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
17 'Accept':'text/html;q=0.9,*/*;q=0.8',
18 'Accept-Charset':'ISO-8859-1,utf-8;q=0.7,*;q=0.3',
19 'Accept-Encoding':'gzip',
20 'Connection':'close',
21 'Referer':None #注意如果依然不能抓取的话，这里可以设置抓取网站的host
22 }
23 req_timeout = 5
24 request = urllib2.Request(url, None, req_header)
25 reponse = urllib2.urlopen(request, None, req_timeout)
26 #print reponse.read().decode('gbk')
27 return reponse.read().decode('gbk')
28
29 #获取页面所有条目信息，list格式
30 def getContents(self, pageIndex):
31 page = self.getPage(pageIndex)
32 pattern = re.compile('div class="ui-module".*?<a href=.*?>(.*?)</a>.*?<img.*?src="(.*?)"', re.S)
33 items = re.findall(pattern, page)
34 #for item in items:
35 #print item[0], item[1]
36 return items
37
38
39 #获取页面所有图片
40 def getAllImgs(self, items):
41
42 images = []
43 for item in items:
44 images.append(item[1])
45 return images
46
47
48 #保存多张图片
49 def saveAllImg(self, images, n, name):
50 number = 1
51 print u"--------------正在保存第", n , u"页美女图片-------------"
52 for imageURL in images:
53 splitPath = imageURL.split('.')
54 fTail = splitPath.pop()
55 fileName = name + "/" + str(n) + "-" + str(number) + "." + fTail
56 self.saveImg(imageURL, fileName)
57 number += 1
58
59
60 #传入图片地址，文件名，保存单张图片
61 def saveImg(self, imageURL, fileName):
62 u = urllib.urlopen(imageURL)
63 data = u.read()
64 f = open(fileName, 'wb')
65 f.write(data)
66 print u"正在保存美女图片", fileName
67 f.close()
68
69 #创建新目录
70 def mkdir(self, path):
71 path = path.strip()
72 #判断是否存在
73 isExists = os.path.exists(path)
74 if not isExists:
75 print u"新建名字为", path, u"的文件夹"
76 os.makedirs(path)
77 return True
78 else:
79 #如果目录存在则不创建，并提示目录已存在
80 print u"名为", path, u"的文件夹已经创建成功"
81 return False
82
83
84 def savePageInfos(self, start, end):
85 fileName = "beautifull"
86 #获取一页内容,存入beautifull文件夹
87 self.mkdir(fileName)
88 for i in range(start, end+1):
89 print u"正在保存第", i, "页的美女图片"
90 contents = self.getContents(i)
91 images = self.getAllImgs(contents)
92 self.saveAllImg(images, i, fileName)
93
94
95 qAdult = QBAdult()
96 qAdult.savePageInfos(1, 301)
其中16-23行的代码是后来出现IOERROR以及超时等错误后加上的，但是这种方法只是治标不治本，时不时程序还会停止，错误如下：
小规模抓取图片，几百页抓取会出现如上问题，我还没有找到什么原因。。。。
转载于:https://www.cnblogs.com/nju2014/p/4451674.html