python网络爬虫多媒体文件抽取

Posted 2021-12-28 bai2018

目的

批量下载网页图片

导入库

urllib中的request中的urlretrieve方法，可以下载图片

lxml用于解析网页

requests用于获取网站信息

import urllib
from lxml import etree
import requests

定义回调函数

回调函数中，count表示已下载的数据块，size数据块大小，total表示总大小。

在使用urllib中的request中的urlretrieve方法时，加入的回调函数，会在每次数据块传递完毕时触发，传递参数，可作为下载进度使用。

def schedule(count,size,total):
    per=100.0*count*size/total
    if per>100:
        per=100
        pass
    print(‘当前进度：‘,per)
    pass

获取图片地址

通过request获取图片地址后，通过xpath语法，对全局查找img标签，获取其src属性。即图片地址

user_agent=‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0‘
headers=‘User-Agent‘:user_agent
r=requests.get(‘https://www.ivsky.com/tupian/keaiertong_t19487/‘,headers=headers)
html=etree.HTML(r.text)
img_urls=html.xpath(‘.//img/@src‘)

下载

归并地址，命名文件路径和文件名，设定回调函数，完成下载。

i=0
for img_url in img_urls:
    urllib.request.urlretrieve(‘http:‘+img_url,‘img‘+str(i)+‘.jpg‘,schedule)
    i+=1
print(‘finish‘)

另外一组图片下载的完整代码

import requests
from lxml import etree
import urllib
def schedule(count,size,total):
    per=100.0*count*size/total
    if per>100:
        per=100
        pass
    print(‘当前进度：‘,per)
    pass
user_agent=‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0‘
headers=‘User-Agent‘:user_agent

for i in range(10):
    r=requests.get(‘https://www.ivsky.com/tupian/daimaozi_de_meinv_v52173/pic_8185‘+str(55+i)+‘.html#al_tit‘,headers=headers)
    html=etree.HTML(r.text)
    url=html.xpath(‘.//*[@id="imgis"]‘)[0].xpath(‘./@src‘)[0]
    urllib.request.urlretrieve(‘http:‘+url,‘img‘+str(i)+‘.jpg‘,schedule)#download
print(‘finish‘)