不用正则表达式，爬取斗图啦

Posted 2020-11-28 thloveyl

---

title: Python-爬取图片
date: 2019-04-17 23:18:24
tags: Python

这是之前部署hexo时候写的爬取斗图啦网站，目前最新的爬取图片文章：https://www.cnblogs.com/thloveyl/p/12248334.html

Requests爬取图片

import time
import requests
import urllib.request


class getRequests:

# 在text获取响应文本时可采用正则表达式，筛选出图片的url、名字，用拆分算是违背了Python语法简洁。

    def getImagePath(self):
        #斗图啦不变的部分url
        url = 'https://www.doutula.com/photo/list/?page='

        #计数
        sum = 0
        # 获取到第一页到2327页的所有图片
        for i in range(1,2328):
            #拼接url
            print(url+str(i))
            #发送请求获取响应的文本
            reponse = requests.get(url+str(i))
            retext = reponse.text
            #将响应文本拆分
            reponseList = retext.split('data-original="')
            # print(reponseList)
            #取出url那部分
            imageUrl = reponseList[1:len(reponseList)-1]
            print('当前页数：%d' % i)
            for x in  imageUrl:
                #图片url
                iurl= x.split('" alt="')
                imageUrl = iurl[0]
                # print('图片URL：%s'%imageUrl)
                #图片名称
                imageName = iurl[1].split('"')[0]
                #防止图片因为包含以下不能命名的字符，报错。
                noContanins = ['?', '*', ':', '"', '<', '>','\\', '/', '|']
                for noC in  noContanins:
                    if  imageName.__contains__(noC):
                        #替换字符
                        print(noC)
                        imageName = imageName.replace(noC,'')

                    #图片后缀
                    imageType = imageUrl.split('!')[0]
                    #逆向拆分
                    imageType = imageType.rsplit('.')
                    #取最后一个.后面的字母作为格式
                    imageType = imageType[len(imageType)-1]
                    # 替换null的格式
                    if imageType == 'null':
                        imageType = 'jpg'
                # 如果遇见错误就continue：进入下次循环
                try:
                    # 设置保存路径 - 该文件夹需要已存在
                    path = ('d:doutula\\'+ imageName+'.' + imageType)
                    urllib.request.urlretrieve(imageUrl, path)
                    sum += 1
                except:
                    continue
                print('下载至%s || 已下载文件数：%d张。'%(path,sum))
        print('总共爬取%d张图片'%sum)


if __name__ == '__main__':
    # 获取当前时间
    print("开始： ", time.strftime('%Y.%m.%d %H:%M:%S ', time.localtime(time.time())))
    getRequests().getImagePath()
    print("完成： ", time.strftime('%Y.%m.%d %H:%M:%S ', time.localtime(time.time())))

此处没有运用正则表达式，违背了Python代码简洁的宗旨、后续学习到正则表达式时再进行重构。
PS：最新的使用了正则表达式代替了提取链接的冗余代码：https://www.cnblogs.com/thloveyl/p/12248334.html

本文只做记录，如有错误，欢迎留言纠正！