关键词文章采集源码(对于爬取翻页的流程基本如下(有些)翻页流程)

　　关键词文章采集源码(对于爬取翻页的流程基本如下(有些)翻页流程)

　　给出完整代码：（需要的请自行下载，有问题请留言）

　　pudn下载连接：

　　有时间我会写一篇百度图片和谷歌图片的python爬虫博客，我会带头。

　　Google 图片抓取工具连接：

　　百度图片爬虫连接：

　　在此期间我正在实习。我正在做一些主要的网站 图片抓取工作。基本就告一段落了。现在搜索百度图片、谷歌图片、必应图片三张网站。抓取并下载结果。

　　首先通过爬取过程中遇到的问题，总结如下：

　　1、每次加载的图片数量每个网站都是可变的，每翻一页都会刷新。对于数据量大的爬虫，几乎都需要用到翻页功能。有以下两种方式：

　　1）通过网站上的网址刷新，如必应图片：

　　url = 'http://cn.bing.com/images/async?q={0}&first={1}&count=35&relp=35&lostate=r

&mmasync=1&dgState=x*175_y*848_h*199_c*1_i*106_r*0'

　　2） 使用 selenium 模拟鼠标操作来翻页，在谷歌图片抓取时会解释。

　　2、 每个网站 应用程序都有不同的图片加载技术。对于静态加载的网站，抓取图片非常容易，因为每个图片的url都直接显示在网页的源代码中。找到每个图片对应的url，可以使用urlretrieve()下载。但是动态加载的网站比较复杂，需要具体问题具体分析。例如，Google Pictures 每次加载 35 张图片（只能获取 35 张图片的 URL）。当滚动一次时，网页不会刷新，而是再次加载一批图片，并与之前加载的图片一起显示在网页的源代码中。对于动态加载的网站，我推荐使用selenium库来爬取。

　　抓取图片的过程基本如下（对于网站可以通过URL翻页或者不需要翻页）：

　　1. 找到你需要爬取图片的网站。 （以必应为例）

　　2. 使用google element check（其他没用过，不再介绍）查看网页源码。

　　3. 使用左上角的元素检查找到图片对应的代码。

　　4.通过观察找到翻页的规律（有的网站动态加载是完全不可见的，不推荐这种方法）

　　从图中可以看到标签div，class='dgControl hover'中data-nexturl的内容会随着我们滚动页面和先翻页而不断变化，q=binary code是我们的关键词。添加前缀后，我们就得到了我们要使用的url。

　　5.我们把网页的源码放到BeautifulSoup中，代码如下：

　　url = 'http://cn.bing.com/images/async?q={0}&first={1}&count=35&relp=35&lostate=r&mmasync=1&dgState=x*175_y*848_h*199_c*1_i*106_r*0'

agent = {'User-Agent': "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.165063 Safari/537.36 AppEngine-Google."}

page1 = urllib.request.Request(url.format(InputData, i*35+1), headers=agent)

page = urllib.request.urlopen(page1)

soup = BeautifulSoup(page.read(), 'html.parser')

　　我们得到的汤是一个类‘bs4.BeautifulSoup’对象，可以直接操作，具体内容可以自行搜索。

　　首先选择我们需要的url所在的类，如下图：

　　波浪线是我们需要的网址。

　　我们从下面的代码中得到我们需要的url：

　　if not os.path.exists("./" + word):#创建文件夹

os.mkdir('./' + word)

for StepOne in soup.select('.mimg'):

link=StepOne.attrs['src']#将得到的转化为字典形式并取src对应的value。

count = len(os.listdir('./' + word)) + 1

SaveImage(link,word,count)#调用函数保存得到的图片。

　　最后调用urlretrieve()函数下载我们得到的图片url，代码如下：

　　 try:

time.sleep(0.2)

urllib.request.urlretrieve(link,'./'+InputData+'/'+str(count)+'.jpg')

except urllib.error.HTTPError as urllib_err:

print(urllib_err)

except Exception as err:

time.sleep(1)

print(err)

print("产生未知错误，放弃保存")

else:

print("图+1,已有" + str(count) + "张图")

　　这里需要强调的是，除了像之前打开的URL和当前下载的图片这样的错误检测之外，需要使用try，否则程序出现错误时很容易崩溃，极大地浪费了数据时间采集.