大家好，又见面了，我是你们的朋友全栈君。
这个爬虫是单线程，因为在多线程的情况下，请求容易被煎蛋搞掉，而且还要sleep（1）不然速度过快也会被干掉，然而即使是这样也不能全部爬取，当然，我用的headers只有一个useragent，有心的可以多弄几个每次请求都随即取就好了 上代码
import urllib
import urllib2
from lxml import html
import os
import time
def getTree(pageUrl):
#这里可以用多个useragent随机，比较不容易被干掉
user_agent = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36'
myHeaders = {
'User-Agent': user_agent}
req = urllib2.Request(pageUrl,headers=myHeaders)
page_content = urllib2.urlopen(req).read()
tree = html.fromstring(page_content)
return tree
#获取当前页面的后面页面的URL
def getAllUrls(n_tree):
url_arr = n_tree.xpath('//div[@class="comments"]/div[@class="cp-pagenavi"]/a/@href')
return url_arr
#通过图片链接下载图片
def downLoadPic(picUrl,count):
string = picUrl[-3:]
if string == 'jpg':
urllib.urlretrieve(picUrl,'f:\\picFile\\'+str(count)+'.jpg')
time.sleep(1)
# else:
#gif图
# urllib.urlretrieve(picUrl,'f:\\picFile\\'+str(count)+'.gif')
#获取当前页面的所有图片链接
def getAllPicUrls(m_tree):
mylist = []
pic_arr = m_tree.xpath('//div[@class="row"]/div[@class="text"]/p/img/@src')
for e in pic_arr:
e = 'http:'+e
mylist.append(e)
return mylist
if __name__ == '__main__':
mytree = getTree('http://jandan.net/ooxx')
pic_arr = getAllPicUrls(mytree)
count = 0
os.mkdir('f:\\picFile\\')
for e in pic_arr:
count = count+1
downLoadPic(e,count)
afterList = getAllUrls(mytree)
afterPageUrl = afterList[0]
while afterPageUrl> 0:
newTree = getTree(afterPageUrl)
newPicArr = getAllPicUrls(newTree)
for a in newPicArr:
count = count + 1
downLoadPic(a,count)
newList = getAllUrls(newTree)
afterPageUrl = newList[2]
print '------->'+afterPageUrl
复制代码版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/107541.html原文链接：https://javaforall.net
