python爬虫初体验（四）—— 百度文库PPT的爬取

文章目录

- - [1. 安装包](#1. 安装包)
  - [2. 相关代码](#2. 相关代码)
  - [3. 说明](#3. 说明)
  - [4. 注意事项](#4. 注意事项)
  - [5. 扩展功能](#5. 扩展功能)
  - - [5.1 多页面下载](#5.1 多页面下载)
    - [5.2 输入地址下载](#5.2 输入地址下载)

在Python 2中编写一个爬虫来大量下载图片，可以使用requests库来发送HTTP请求，并使用BeautifulSoup来解析HTML页面。此外，可以使用urllib2库来下载图片。lxml 是一个 Python 库，用于处理 XML 和 HTML 文档。它提供了高效的 XML/HTML 解析和生成工具，是处理 Web 页面内容的常用工具之一。

1. 安装包

bash 复制代码

pip install requests
pip install beautifulsoup4
pip install lxml
pip install urllib2

2. 相关代码

下面是一个相关代码，演示如何从一个网页中下载图片：

python 复制代码

# -*- coding: utf-8 -*-
import requests
import os
import urllib2
from lxml import etree

# 创建目录函数
def create_file(file_path):
    # 如果目录不存在，则创建目录
    if not os.path.exists(file_path):
        os.makedirs(file_path)

# 下载图片函数
def download_image(url, path):
    try:
        # 使用 urllib2 打开 URL 并获取响应
        response = urllib2.urlopen(url)
        # 以二进制写模式打开文件，并写入响应内容
        with open(path, 'wb') as f:
            f.write(response.read())
    except Exception as e:
        # 如果发生异常，打印错误信息
        print("Failed to download image: {}".format(url))
        print("Error: ", str(e))

# 从网页中抓取图片的函数
def fetch_images_from_page(url):
    # 使用 requests 发送 GET 请求获取网页内容
    resp = requests.get(url)
    
    # 解析网页文本
    text = resp.text
    
    # 使用 lxml 解析 HTML 文档
    html = etree.HTML(text)
    
    # 通过 XPath 获取包含图片的元素列表
    img_list = html.xpath('//div[@class="mod flow-ppt-mod"]/div/div/img')
    
    # 初始化计数器
    cnt = 1
    
    # 目标文件路径
    file_path = './ppt/'
    # 创建目标文件夹
    create_file(file_path)
    
    # 遍历图片元素列表
    for i in img_list:
        try:
            # 尝试获取图片的 src 属性
            img_url = i.xpath('./@src')[0]
        except IndexError:
            # 如果 src 属性不存在，则尝试获取 data-src 属性
            img_url = i.xpath('./@data-src')[0]
        
        # 构建图片文件名
        file_name = '%s/page_%d.jpg' % (file_path, cnt)
        
        # 下载图片
        download_image(img_url, file_name)
        # 输出下载成功的提示信息
        print("Downloaded: {}".format(file_name))
        
        # 增加计数器
        cnt += 1

# 主函数
def main():
    # 目标网页 URL
    url = 'https://wenku.baidu.com/view/c784625f1a2e453610661ed9ad51f01dc3815771.html'
    
    # 调用抓取图片的函数
    fetch_images_from_page(url)

# 如果当前模块是主程序，则执行 main 函数
if __name__ == '__main__':
    main()

3. 说明

导入模块：导入必要的模块 requests、os、urllib2 和 lxml.etree。
创建目录函数：create_file 用于创建指定的目录。
下载图片函数：download_image 用于下载图片并保存到本地。
从网页中抓取图片的函数：fetch_images_from_page 用于从指定网页抓取图片并下载到本地。
主函数：main 用于定义入口 URL 并调用抓取图片的函数。

4. 注意事项

图片URL：确保图片的URL是绝对路径。如果是相对路径，需要拼接成绝对路径。
错误处理：添加了异常处理逻辑，以处理下载过程中可能出现的错误。
文件路径：确保保存图片的路径正确，并且有写入权限。
XPath 表达式：使用 XPath 表达式从网页中提取图片元素。

5. 扩展功能

5.1 多页面下载

如果你需要从多个页面下载图片，可以将页面的URL放入一个列表中，并循环处理每个页面。

python 复制代码

def main():
  # 目标URL列表
  urls = ['https://example.com/images1', 'https://example.com/images2']
    
  # 抓取并下载图片
  for url in urls:
    fetch_images_from_page(url)

if __name__ == '__main__':
  main()

5.2 输入地址下载

如果你需要输入想要的地址，然后下载相对应的图片，需要使用raw_input，raw_input是一个内置函数，用于从标准输入（通常是键盘）读取一行文本，并返回一个字符串。这个函数不会执行任何类型的转换，返回的内容就是用户输入的原始字符串。

python 复制代码

def main():
  url = raw_input('输入百度文库地址：')

  fetch_images_from_page(url)

if __name__ == '__main__':
  main()