抓取淘宝MM的方法

这篇文章主要介绍抓取淘宝MM的方法，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！

本篇目标

1.抓取淘宝MM的姓名，头像，年龄

2.抓取每一个MM的资料简介以及写真图片

3.把每一个MM的写真图片按照文件夹保存到本地

4.熟悉文件保存的过程

1.URL的格式

在这里我们用到的URL是 http://mm.taobao.com/json/request_top_list.htm?page=1，问号前面是基地址，后面的参数page是代表第几页，可以随意更换地址。点击开之后，会发现有一些淘宝MM的简介，并附有超链接链接到个人详情页面。

我们需要抓取本页面的头像地址，MM姓名，MM年龄，MM居住地，以及MM的个人详情页面地址。

2.抓取简要信息

相信大家经过上几次的实战，对抓取和提取页面的地址已经非常熟悉了，这里没有什么难度了，我们首先抓取本页面的MM详情页面地址，姓名，年龄等等的信息打印出来，直接贴代码如下

__author__ = 'CQC' # -*- coding:utf-8 -*-   import urllib import urllib2 import re   class Spider:       def __init__(self):         self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'       def getPage(self,pageIndex):         url = self.siteURL + "?page=" + str(pageIndex)         print url         request = urllib2.Request(url)         response = urllib2.urlopen(request)         return response.read().decode('gbk')       def getContents(self,pageIndex):         page = self.getPage(pageIndex)         pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a          class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)         items = re.findall(pattern,page)         for item in items:             print item[0],item[1],item[2],item[3],item[4]   spider = Spider() spider.getContents(1)

运行结果如下：

 2.文件写入简介

在这里，我们有写入图片和写入文本两种方式

1）写入图片

#传入图片地址，文件名，保存单张图片 def saveImg(self,imageURL,fileName):      u = urllib.urlopen(imageURL)      data = u.read()      f = open(fileName, 'wb')      f.write(data)      f.close()

2）写入文本

def saveBrief(self,content,name):     fileName = name + "/" + name + ".txt"     f = open(fileName,"w+")     print u"正在偷偷保存她的个人信息为",fileName     f.write(content.encode('utf-8'))

3）创建新目录

#创建新目录 def mkdir(self,path):     path = path.strip()     # 判断路径是否存在     # 存在     True     # 不存在   False     isExists=os.path.exists(path)     # 判断结果     if not isExists:         # 如果不存在则创建目录         # 创建目录操作函数         os.makedirs(path)         return True     else:         # 如果目录存在则不创建，并提示目录已存在         return False

3.代码完善

主要的知识点已经在前面都涉及到了，如果大家前面的章节都已经看了，完成这个爬虫不在话下，具体的详情在此不再赘述，直接帖代码啦。

spider.py

__author__ = 'CQC' # -*- coding:utf-8 -*-   import urllib import urllib2 import re import tool import os   #抓取MM class Spider:       #页面初始化     def __init__(self):         self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'         self.tool = tool.Tool()       #获取索引页面的内容     def getPage(self,pageIndex):         url = self.siteURL + "?page=" + str(pageIndex)         request = urllib2.Request(url)         response = urllib2.urlopen(request)         return response.read().decode('gbk')       #获取索引界面所有MM的信息，list格式     def getContents(self,pageIndex):         page = self.getPage(pageIndex)         pattern = re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a          class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)         items = re.findall(pattern,page)         contents = []         for item in items:             contents.append([item[0],item[1],item[2],item[3],item[4]])         return contents       #获取MM个人详情页面     def getDetailPage(self,infoURL):         response = urllib2.urlopen(infoURL)         return response.read().decode('gbk')       #获取个人文字简介     def getBrief(self,page):         pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)         result = re.search(pattern,page)         return self.tool.replace(result.group(1))       #获取页面所有图片     def getAllImg(self,page):         pattern = re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S)         #个人信息页面所有代码         content = re.search(pattern,page)         #从代码中提取图片         patternImg = re.compile('<img.*?src="(.*?)"',re.S)         images = re.findall(patternImg,content.group(1))         return images         #保存多张写真图片     def saveImgs(self,images,name):         number = 1         print u"发现",name,u"共有",len(images),u"张照片"         for imageURL in images:             splitPath = imageURL.split('.')             fTail = splitPath.pop()             if len(fTail) > 3:                 fTail = "jpg"             fileName = name + "/" + str(number) + "." + fTail             self.saveImg(imageURL,fileName)             number += 1       # 保存头像     def saveIcon(self,iconURL,name):         splitPath = iconURL.split('.')         fTail = splitPath.pop()         fileName = name + "/icon." + fTail         self.saveImg(iconURL,fileName)       #保存个人简介     def saveBrief(self,content,name):         fileName = name + "/" + name + ".txt"         f = open(fileName,"w+")         print u"正在偷偷保存她的个人信息为",fileName         f.write(content.encode('utf-8'))         #传入图片地址，文件名，保存单张图片     def saveImg(self,imageURL,fileName):          u = urllib.urlopen(imageURL)          data = u.read()          f = open(fileName, 'wb')          f.write(data)          print u"正在悄悄保存她的一张图片为",fileName          f.close()       #创建新目录     def mkdir(self,path):         path = path.strip()         # 判断路径是否存在         # 存在     True         # 不存在   False         isExists=os.path.exists(path)         # 判断结果         if not isExists:             # 如果不存在则创建目录             print u"偷偷新建了名字叫做",path,u'的文件夹'             # 创建目录操作函数             os.makedirs(path)             return True         else:             # 如果目录存在则不创建，并提示目录已存在             print u"名为",path,'的文件夹已经创建成功'             return False       #将一页淘宝MM的信息保存起来     def savePageInfo(self,pageIndex):         #获取第一页淘宝MM列表         contents = self.getContents(pageIndex)         for item in contents:             #item[0]个人详情URL,item[1]头像URL,item[2]姓名,item[3]年龄,item[4]居住地             print u"发现一位模特,名字叫",item[2],u"芳龄",item[3],u",她在",item[4]             print u"正在偷偷地保存",item[2],"的信息"             print u"又意外地发现她的个人地址是",item[0]             #个人详情页面的URL             detailURL = item[0]             #得到个人详情页面代码             detailPage = self.getDetailPage(detailURL)             #获取个人简介             brief = self.getBrief(detailPage)             #获取所有图片列表             images = self.getAllImg(detailPage)             self.mkdir(item[2])             #保存个人简介             self.saveBrief(brief,item[2])             #保存头像             self.saveIcon(item[1],item[2])             #保存图片             self.saveImgs(images,item[2])       #传入起止页码，获取MM图片     def savePagesInfo(self,start,end):         for i in range(start,end+1):             print u"正在偷偷寻找第",i,u"个地方，看看MM们在不在"             self.savePageInfo(i)     #传入起止页码即可，在此传入了2,10,表示抓取第2到10页的MM spider = Spider() spider.savePagesInfo(2,10)

tool.py

__author__ = 'CQC' #-*- coding:utf-8 -*- import re   #处理页面标签类 class Tool:     #去除img标签,1-7位空格,&nbsp;     removeImg = re.compile('<img.*?>| {1,7}|&nbsp;')     #删除超链接标签     removeAddr = re.compile('<a.*?>|</a>')     #把换行的标签换为\n     replaceLine = re.compile('<tr>|<div>|</div>|</p>')     #将表格制表<td>替换为\t     replaceTD= re.compile('<td>')     #将换行符或双换行符替换为\n     replaceBR = re.compile('<br><br>|<br>')     #将其余标签剔除     removeExtraTag = re.compile('<.*?>')     #将多行空行删除     removeNoneLine = re.compile('\n+')     def replace(self,x):         x = re.sub(self.removeImg,"",x)         x = re.sub(self.removeAddr,"",x)         x = re.sub(self.replaceLine,"\n",x)         x = re.sub(self.replaceTD,"\t",x)         x = re.sub(self.replaceBR,"\n",x)         x = re.sub(self.removeExtraTag,"",x)         x = re.sub(self.removeNoneLine,"\n",x)         #strip()将前后多余内容删除         return x.strip()

以上两个文件就是所有的代码内容，运行一下试试看，那叫一个酸爽啊

看看文件夹里面有什么变化

不知不觉，海量的MM图片已经进入了你的电脑，还不快快去试试看！！

以上是抓取淘宝MM的方法的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注亿速云行业资讯频道！