本篇目标

1. 抓取淘宝MM的姓名，头像，年龄
2. 抓取每一个MM的资料简介以及写真图片
3. 把每一个MM的写真图片按照文件夹保存到本地
4. 熟悉文件保存的过程

1.URL的格式

在这里我们用到的URL是 ，问号前面是基地址，后面的参数page是代表第几页，可以随意更换地址。点击开之后，会发现有一些淘宝MM的简介，并附有超链接链接到个人详情页面。

我们需要抓取本页面的头像地址，MM姓名，MM年龄，MM居住地，以及MM的个人详情页面地址。

2.抓取简要信息

相信大家经过上几次的实战，对抓取和提取页面的地址已经非常熟悉了，这里没有什么难度了，我们首先抓取本页面的MM详情页面地址，姓名，年龄等等的信息打印出来，直接贴代码如下

 

__author__ = 'CQC'# -*- coding:utf-8 -*- import urllibimport urllib2import re class Spider:     def __init__(self):        self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'     def getPage(self,pageIndex):        url = self.siteURL + "?page=" + str(pageIndex)        print url        request = urllib2.Request(url)        response = urllib2.urlopen(request)        return response.read().decode('gbk')     def getContents(self,pageIndex):        page = self.getPage(pageIndex)        pattern = re.compile('

运行结果如下

2.文件写入简介

在这里，我们有写入图片和写入文本两种方式

1）写入图片

2）写入文本

def saveBrief(self,content,name):    fileName = name + "/" + name + ".txt"    f = open(fileName,"w+")    print u"正在偷偷保存她的个人信息为",fileName    f.write(content.encode('utf-8'))

3）创建新目录

#创建新目录def mkdir(self,path):    path = path.strip()    # 判断路径是否存在    # 存在     True    # 不存在   False    isExists=os.path.exists(path)    # 判断结果    if not isExists:        # 如果不存在则创建目录        # 创建目录操作函数        os.makedirs(path)        return True    else:        # 如果目录存在则不创建，并提示目录已存在        return False

3.代码完善

主要的知识点已经在前面都涉及到了，如果大家前面的章节都已经看了，完成这个爬虫不在话下，具体的详情在此不再赘述，直接帖代码啦。spider.py

__author__ = 'CQC'# -*- coding:utf-8 -*- import urllibimport urllib2import reimport toolimport os #抓取MMclass Spider:     #页面初始化    def __init__(self):        self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'        self.tool = tool.Tool()     #获取索引页面的内容    def getPage(self,pageIndex):        url = self.siteURL + "?page=" + str(pageIndex)        request = urllib2.Request(url)        response = urllib2.urlopen(request)        return response.read().decode('gbk')     #获取索引界面所有MM的信息，list格式    def getContents(self,pageIndex):        page = self.getPage(pageIndex)        pattern = re.compile('
         
          (.*?)
          
         

tool.py

 

__author__ = 'CQC'#-*- coding:utf-8 -*-import re #处理页面标签类class Tool:    #去除img标签,1-7位空格,    removeImg = re.compile('
         
          | {1,7}| ')    #删除超链接标签    removeAddr = re.compile('
          
           |')    #把换行的标签换为\n    replaceLine = re.compile('|
           
            |
           
|
           
')    #将表格制表替换为\t    replaceTD= re.compile('')    #将换行符或双换行符替换为\n    replaceBR = re.compile('
           
           
|
           
')    #将其余标签剔除    removeExtraTag = re.compile('<.*?>')    #将多行空行删除    removeNoneLine = re.compile('\n+')    def replace(self,x):        x = re.sub(self.removeImg,"",x)        x = re.sub(self.removeAddr,"",x)        x = re.sub(self.replaceLine,"\n",x)        x = re.sub(self.replaceTD,"\t",x)        x = re.sub(self.replaceBR,"\n",x)        x = re.sub(self.removeExtraTag,"",x)        x = re.sub(self.removeNoneLine,"\n",x)        #strip()将前后多余内容删除        return x.strip()
          
         

以上两个文件就是所有的代码内容，运行一下试试看，那叫一个酸爽啊

 

看看里面有什么变化