一篇文章教会你利用Python网络爬虫抓取百度贴吧评论区图片和视频

2021-04-02 09:28

阅读：563

标签：图片 link 写代码百度下载 elf pat http请求 agent 查询

【一、项目背景】

???百度贴吧是全球最大的中文交流平台，你是否跟我一样，有时候看到评论区的图片想下载呢？或者看到一段视频想进行下载呢？

???今天，小编带大家通过搜索关键字来获取评论区的图片和视频。

技术图片

【二、项目目标】

???实现把贴吧获取的图片或视频保存在一个文件。

【三、涉及的库和网站】

1、网址如下：

https://tieba.baidu.com/f?ie=utf-8&kw=吴京&fr=search

2、涉及的库：requests、lxml、**urrilb**

【四、项目分析】

1、反爬措施的处理

? ?前期测试时发现，该网站反爬虫处理措施很多，测试到有以下几个：

???1) 直接使用requests库，在不设置任何header的情况下，网站直接不返回数????据。?

?? 2) 同一个ip连续访问40多次，直接封掉ip，起初我的ip就是这样被封掉的。

? ?为了解决这两个问题，最后经过研究，使用以下方法，可以有效解决。

? ?获取正常的 http请求头，并在requests请求时设置这些常规的http请求头。

2、如何实现搜索关键字?

???通过网址我们可以发现只需要在kw=() ，括号中输入你要搜索的内容即可。这样就可以用一个{}来替代它，后面我们在通过循环遍历它。

【五、项目实施】

1、创建一个名为BaiduImageSpider的类，定义一个主方法main和初始化方法init。导入需要的库。

import requests
from lxml import etree
from urllib import parse
class BaiduImageSpider(object):
    def __init__(self, tieba_name):
        pass
    def main(self):
        pass
if __name__ == ‘__main__‘:
    inout_word = input("请输入你要查询的信息:")

    spider.main()
        pass
if __name__ == ‘__main__‘:
    spider= ImageSpider()
    spider.main()

2、准备url地址和请求头headers 请求数据。

import requests
from lxml import etree
from urllib import parse
class BaiduImageSpider(object):
    def __init__(self, tieba_name):
          self.tieba_name = tieba_name #输入的名字
        self.url = "http://tieba.baidu.com/f?kw={}&ie=utf-8&pn=0"
        self.headers = {
            ‘User-Agent‘: ‘Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)‘
        }

    ‘‘‘发送请求 获取响应‘‘‘
    def get_parse_page(self, url, xpath):
        html = requests.get(url=url, headers=self.headers).content.decode("utf-8")
        parse_html = etree.HTML(html)
        r_list = parse_html.xpath(xpath)
        return r_list
    def main(self):
        url = self.url.format(self.tieba_name)
if __name__ == ‘__main__‘:
    inout_word = input("请输入你要查询的信息:")
    key_word = parse.quote(inout_word)
    spider = BaiduImageSpider(key_word)
    spider.main()

3、用xpath进行数据分析

?3.1、chrome_Xpath插件安装

???1) 这里用到一个插件。能够快速检验我们爬取的信息是否正确。具体安装方法如下。

?? 2) 百度下载chrome_Xpath_v2.0.2.crx， chrome浏览器输入：chrome://extensions/

技术图片

???3) 直接将chrome_Xpath_v2.0.2.crx拖动至该扩展程序页面；

?? 4) 如果安装失败，弹框提示“无法从该网站添加应用、扩展程序和用户脚本”，遇到这个问题，解决方法是：打开开发者模式，将crx文件（直接或后缀修改为rar）并解压成文件夹，点击开发者模式的加载已解压的扩展程序，选择解压后的文件夹，点击确定，安装成功；

3.2、chrome_Xpath插件使用

上面我们已经安装好了chrome_Xpath插件，接下来我们即将使用它。

1) 打开浏览器，按下快捷键F12 。

2) 选择元素，如下图所示。

技术图片

???3) 右键，然后选择，“Copy XPath”，如下图所示。

技术图片

3.3、编写代码，获取链接函数。

???上面我们已经获取到链接函数的Xpath路径，接下来定义一个获取链接函数get_tlink，并继承self，实现多页抓取。

 ‘‘‘获取链接函数‘‘‘

    def get_tlink(self, url):
        xpath = ‘//div[@class="threadlist_lz clearfix"]/div/a/@href‘
        t_list = self.get_parse_page(url, xpath)
        # print(len(t_list))
        for t in t_list:
            t_link = "http://www.tieba.com" + t
            ‘‘‘接下来对帖子地址发送请求  将保存到本地‘‘‘
            self.write_image(t_link)

4、保存数据

这里定义一个write_image方法来保存数据，如下所示。

‘‘‘保存到本地函数‘‘‘

def write_image(self, t_link):
      xpath = "//div[@class=‘d_post_content j_d_post_content clearfix‘]/img[@class=‘BDE_Image‘]/@src | //div[@class=‘video_src_wrapper‘]/embed/@data-video"
        img_list = self.get_parse_page(t_link, xpath)       
        for img_link in img_list:  
            html = requests.get(url=img_link, headers=self.headers).content
            filename = "百度/"+img_link[-10:]

            with open(filename, ‘wb‘) as f:
                f.write(html)
                print("%s下载成功" % filename)

注：@data-video是网址中的视频，如下图所示。

技术图片