python《青春有你2》练习生照片爬取（青春练习生）

集数据，尤其是有标签、高质量的数据是一件昂贵的工作。

爬虫的过程，就是模仿浏览器的行为，往目标站点发送请求，接收服务器的响应数据，提取需要的信息，并进行保存的过程。

Python为爬虫的实现提供了工具:requests模块、BeautifulSoup库

任务描述

本次实践使用Python来爬取百度百科中《青春有你2》所有参赛选手的信息。

数据获取：https://baike.baidu.com/item/青春有你第二季

题目原有代码#导入第三方库

import json import re import requests import datetime from bs4 import BeautifulSoup import os #获取当天的日期,并进行格式化,用于后面文件命名，格式:20200420 today = datetime.date.today().strftime('%Y%m%d') def crawl_wiki_data(): """ 爬取百度百科中《青春有你2》中参赛选手信息，返回html """ headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36' } url='https://baike.baidu.com/item/青春有你第二季' try:#预防报错采用异常处理确保软件稳定性 response = requests.get(url,headers=headers)#爬取页码 print(response.status_code)#输出页码访问情况（如果正确一般是200） #将一段文档传入BeautifulSoup的构造方法,就能得到一个文档的对象, 可以传入一段字符串 soup = BeautifulSoup(response.text,'lxml') #返回的是class为table-view log-set-param的<table>所有标签 tables = soup.find_all('table',{'class':'table-view log-set-param'}) crawl_table_title = "参赛学员" for table in tables: #对当前节点前面的标签和字符串进行查找 #定位到我们所需要的内容上 table_titles = table.find_previous('div').find_all('h3') for title in table_titles: if(crawl_table_title in title): return table except Exception as e: print(e)#输出报错原因（种类） def parse_wiki_data(table_html): ''' 从百度百科返回的html中解析得到选手信息，以当前日期作为文件名，存json文件,保存到work目录下 ''' bs = BeautifulSoup(str(table_html),'lxml')#用bs4进行解析 all_trs = bs.find_all('tr')#获取所有的'tr'标签 error_list = ['\'','\"'] stars = [] for tr in all_trs[1:]:#循环除了第一个‘tr’标签以外的内容 all_tds = tr.find_all('td') star = {} #获取并保存数据 #姓名 star["name"]=all_tds[0].text #个人百度百科链接 star["link"]= 'https://baike.baidu.com' all_tds[0].find('a').get('href') #籍贯 star["zone"]=all_tds[1].text #星座 star["constellation"]=all_tds[2].text #身高 star["height"]=all_tds[3].text #体重 star["weight"]= all_tds[4].text #花语,去除掉花语中的单引号或双引号 flower_word = all_tds[5].text for c in flower_word: if c in error_list: flower_word=flower_word.replace(c,'') star["flower_word"]=flower_word #公司 if not all_tds[6].find('a') is None: star["company"]= all_tds[6].find('a').text else: star["company"]= all_tds[6].text stars.append(star) json_data = json.loads(str(stars).replace("\'","\"")) #此处的work修改为电脑实际位置如：./ #(本目录下) with open('work/' today '.json', 'w', encoding='UTF-8') as f: json.dump(json_data, f, ensure_ascii=False) def crawl_pic_urls(): ''' 爬取每个选手的百度百科图片，并保存 ''' #修改此处位置 with open('work/' today '.json', 'r', encoding='UTF-8') as file: json_array = json.loads(file.read()) headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36' } for star in json_array: name = star['name'] link = star['link'] #！！！请在以下完成对每个选手图片的爬取，将所有图片url存储在一个列表pic_urls中！！！ ''' 需要输入的内容！！！ ''' #！！！根据图片链接列表pic_urls, 下载所有图片，保存在以name命名的文件夹中！！！ down_pic(name,pic_urls) def down_pic(name,pic_urls): ''' 根据图片链接列表pic_urls, 下载所有图片，保存在以name命名的文件夹中, ''' #修改实际位置 path = 'work/' 'pics/' name '/' if not os.path.exists(path):#如果文件不存在则创建 os.makedirs(path) for i, pic_url in enumerate(pic_urls):循环列表并输出列表内的编码 try:#异常处理 pic = requests.get(pic_url, timeout=15) string = str(i 1) '.jpg' with open(path string, 'wb') as f:#打开文件保存并关闭 f.write(pic.content) print('成功下载第%s张图片: %s' % (str(i 1), str(pic_url))) except Exception as e: print('下载第%s张图片时失败: %s' % (str(i 1), str(pic_url))) print(e) continue def show_pic_path(path): ''' 遍历所爬取的每张图片，并打印所有图片的绝对路径 ''' pic_num = 0 for (dirpath,dirnames,filenames) in os.walk(path): for filename in filenames: pic_num = 1 print("第%d张照片：%s" % (pic_num,os.path.join(dirpath,filename))) print("共爬取《青春有你2》选手的%d照片" % pic_num) if __name__ == '__main__':#主函数 #爬取百度百科中《青春有你2》中参赛选手信息，返回html html = crawl_wiki_data() #解析html,得到选手信息，保存为json文件 parse_wiki_data(html) #从每个选手的百度百科页面上爬取图片,并保存 crawl_pic_urls() #打印所爬取的选手图片路径 #修改到实际位置 show_pic_path('/home/aistudio/work/pics/') print("所有信息爬取完成！")

内容解析

上面的代码把《青春有你2》的百度百科页面进行了解析，提取每个练习生的百科地址然后是我们填写的内容下面是下载图片，保存图片然后是输出目录下面的文件名字

总体思路

先行爬取页面然后根据页面找到图库地址在这里插入图片描述

这个地址需要拼接，拼接好以后，就可以使用了。

拼接好以后request到页面

找到有关地址进行分析，然后把地址获取下来放到列表即可。

#小编源码，有许多输出测试 pic_urls = []#新建列表每次循环初始化 r = requests.get(link, headers= headers)#获取每个页面的信息 #print(r.text) soup = BeautifulSoup(r.text, 'lxml')#解析页面 # print(soup) migs = soup.find_all('div', class_='summary-pic') #print(migs) migs = migs[0].a.get('href')#获取链接的部分内容 if 'http' not in migs:#避免其他内容干扰报错 # print(migs) url = f'http://baike.baidu.com{migs}'#拼接链接 # print(url) photo_r = requests.get(url, headers= headers)#获取链接页面 # print(photo_r.text) photo_soup = BeautifulSoup(photo_r.text, 'lxml')#解析页面 photo_urls = photo_soup.find_all('a', class_='pic-item')#解析页面 for photo_url in photo_urls: print(photo_url) try: photo_url = photo_url.img.get('src')#获取图片地址 pic_urls.append(photo_url)#放入列表 except: continue