Python网络爬虫小试刀——抓取ZOL桌面壁纸图片3

前篇回顾：下载一个类型集合的全部图片
本篇目标：获得一个集合页面中所有集合中所有的图片

使用urllib2获取已知集合网页页面的HTML代码，首先使用正则表达式获取本页图片集合的url，根据上篇所写戏在图片集合的函数 def getImgAssemble(url, fileName, filePath): 将集合中所有图片下载到指定文件夹，并将文件夹命名为图片集合标题名，然后判断是否还有下一页。如果有的话则进入下一页进行同样的动作，直到最后一页则集合页面所有图片下载完毕。

本篇将使用threading多线程和线程锁使下载并发执行，以增加效率和运行速度。

有关python多线程：

请自行AOL或百度去。。。。

集合页面url ＝ 'http://desk.zol.com.cn/meinv/'

首先建个函数def getImgCatalog(url, filePath):，然后往里面塞我们需要的东西就好咯。先写好基础到，获取已知url的HTML。

代码如下：

 73 def getImgCatalog(url, filePath):74     if not os.path.exists(filePath):75         os.makedirs(filePath)76     if not filePath.endswith('/'):77         filePath += '/'7879     user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'80     headers = {'User-Agent' : user_agent}8182     request = urllib2.Request(url, headers=headers)83     content = urllib2.urlopen(request).read().decode('GBK')8485     f = open('url.txt', 'w')86     f.write(content.encode('utf-8'))87     f.close()8889     print content90

部分结果如下：

接下来我们可以使用正则表达式从HTML中提取我们需要的信息啦。

根据上篇我们所写下载集合图集的函数 def getImgAssemble(url, fileName, filePath):和我们的需求，我们需要获取这些信息：

图片集合的url：使用来作为函数getImgAssemble的url

图片集合title：作为函数getImgAssemble的fileName。

OK，爬出本页全部图片暂时需要这些信息。

获取图片集合的url，HTML代码如下：

获取其中url和title的正则表达式为：

'<li\s+class="photo-list-padding"><a\s+class="pic"\s+href="(.+?)"\s+target=".+?"\s+hidefocus=".+?"><img\s*width=".+?"\s+height=".+?"\s+alt="(.+?)".+?/>'

增加了正则表达式的代码如下：

 73 def getImgCatalog(url, filePath):74     if not os.path.exists(filePath):75         os.makedirs(filePath)76     if not filePath.endswith('/'):77         filePath += '/'7879     user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'80     headers = {'User-Agent' : user_agent}8182     request = urllib2.Request(url, headers=headers)83     content = urllib2.urlopen(request).read().decode('GBK')8485     pattern = re.compile('<li\s+class="photo-list-padding"><a\s+class="pic"\s+href="(.+?)"\s+target=".+?"\s+hid    efocus=".+?"><img\s*width=".+?"\s+height=".+?"\s+alt="(.+?)".+?/>', \86             re.S)87     imgInfoList = re.findall(pattern, content)8889     for item in imgInfoList:90         sUrl = mUrl + item[0]9192         print sUrl93         print item[1]94

结果如下图：

我们已经得到了我们想要的结果。

然后再将函数 getImgAssemble加进去。

我们再加一个显示运行时间的函数在main()里面以计算程序运行上时间：

import datetime

startTime = datetime.datetime.now()

。

endTime = datetime.datetime.now()

print (endTime-startTime).seconds

print "count : %d" %count

增加代码如下：

 74 def getImgCatalog(url, filePath):75     if not os.path.exists(filePath):76         os.makedirs(filePath)77     if not filePath.endswith('/'):78         filePath += '/'7980     user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'81     headers = {'User-Agent' : user_agent}8283     request = urllib2.Request(url, headers=headers)84     content = urllib2.urlopen(request).read().decode('GBK')8586     pattern = re.compile('<li\s+class="photo-list-padding"><a\s+class="pic"\s+href="(.+?)"\s+target=".+?"\s+hid    efocus=".+?"><img\s*width=".+?"\s+height=".+?"\s+alt="(.+?)".+?/>', \87             re.S)88     imgInfoList = re.findall(pattern, content)8990     for item in imgInfoList:91         sUrl = mUrl + item[0]92         getImgAssemble(sUrl, item[1], filePath)93

main：

 95 def main():96     startTime = datetime.datetime.now()9798     #img save path99     savePath = os.getcwd()
100
101     url = 'http://b.zol-img.com.cn/desk/bizhi/image/7/960x600/1450950428732.jpg'
102     #img name4
103     imgName = 'pic1.jpg'
104     #downloadImg(url, imgName, savePath)
105
106     sUrl = 'http://desk.zol.com.cn/bizhi/6128_75825_2.html'
107     fileName = 'meinv'
108     #getImgAssemble(sUrl, fileName, savePath)
109
110     cUrl = 'http://desk.zol.com.cn/meinv/'
111     getImgCatalog(cUrl, savePath)
112
113     endTime = datetime.datetime.now()
114     print '\ntotal running time : %d s' %(endTime-startTime).seconds
115

结果截图：

时间用了68s，没有比较就不知道这个时间是长还是短。

下面来加个多线程和线程锁，代码如下：

    import threading

 75 catalogLock = threading.Lock()76 def getImgCatalog(url, filePath):77     if not os.path.exists(filePath):78         os.makedirs(filePath)79     if not filePath.endswith('/'):80         filePath += '/'8182     user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'83     headers = {'User-Agent' : user_agent}8485     request = urllib2.Request(url, headers=headers)86     content = urllib2.urlopen(request).read().decode('GBK')8788     pattern = re.compile('<li\s+class="photo-list-padding"><a\s+class="pic"\s+href="(.+?)"\s+target=".+?"\s+hidefocus=    ".+?"><img\s*width=".+?"\s+height=".+?"\s+alt="(.+?)".+?/>', \89             re.S)90     imgInfoList = re.findall(pattern, content)9192     threads = []93     for item in imgInfoList:94         sUrl = mUrl + item[0]9596         #add thread97         if catalogLock.acquire():98             t = threading.Thread(target=getImgAssemble, args=(sUrl, item[1], filePath))99             t.setDaemon(True)
100             threads.append(t)
101             catalogLock.release()
102
103     for i in range(len(threads)):
104         threads[i].start()
105     for i in range(len(threads)):
106         threads[i].join(30)
107

结果如下截图：

用时15s。可以看出，时间明显减少。

其实中间出了个问题困扰了很久。

有时候跑到中间会假死，然后ctrl＋c并不能关闭线程，后来发现join里面加一个timeout就可以了，数值可以随意，但是要设的大一点，因为线程里面下载图片不是按顺序逐个下载的，一个图片可能挂起很长时间才会被下载，而且设置的大小并不影响结果时间，我们只是想把能下载下来的图片全部下载下来就好。

希望有谁能提供解决办法解决假死问题。

接下来判读是否有下一页，有的话获取下一页的url。

有下一个的HTML如下：

最后一页的HTML如下截图：

其实我们只需要判断是否有’id="pageNext"‘就可以判断是否有下一页了。

如果有’id="pageNext"‘，则利用正则表达式‘<a\s+id="pageNext"\s+href="(.+?)"\s*class="next"\s+target=".+?">’获取到下页的url。

整体代码如下：

#/usr/bin/env pythonimport os
import re
import urllib
import urllib2
import datetime
import threadingmUrl = 'http://desk.zol.com.cn'def downloadImg(url, imgName, savePath):if savePath == '':return 'image save path is nil.'if imgName == '':return 'image is nil.'if url == '':return 'url is nil.'if not os.path.exists(savePath):os.makedirs(savePath)if not savePath.endswith('/'):savePath += '/'savePathName = savePath + imgNameurllib.urlretrieve(url, savePathName)print urldef getImgAssemble(url, fileName, filePath):if not os.path.exists(filePath):os.makedirs(filePath)if not filePath.endswith('/'):filePath += '/'if not fileName in filePath:filePath += fileNameprint '******', urluser_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'headers = {'User-Agent' : user_agent}tmpUrl = urlwhile True:try:   request = urllib2.Request(tmpUrl, headers=headers)content = urllib2.urlopen(request).read().decode('GBK')imgUrl = re.search('<img\s+id="bigImg"\s+src="(.+?)"\s*srcs=".+?"\s+width="\d+"\s+height="\d+">', \content).group(1)imgCount = re.search('<h3><a\s+id="titleName"\s+href=".+?">.+?</a><span>.+?(\d+).+?</span></h3>', \content).group(1)imgSuffix = re.search('http://.+?\..+?/.+?\.(.+?)$', \imgUrl).group(1)imgName = fileName + imgCount + '.' + imgSuffixdownloadImg(imgUrl, imgName, filePath)nextUrlFlag = re.search('<a\s+id="pageNext"\s+class="next"\s+href="(.+?)"\s+title=".+?">', \content).group(1)if not "javascript:" in nextUrlFlag:tmpUrl = mUrl + nextUrlFlagcontinueelse:print '\n'breakexcept AttributeError:print 'attributeError'except urllib2.URLError, e:if hasattr(e, 'code'):print e.codeif hasattr(e, 'reason'):print e.reasoncatalogLock = threading.Lock()
def getImgCatalog(url, filePath):if not os.path.exists(filePath):os.makedirs(filePath)if not filePath.endswith('/'):filePath += '/'user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'headers = {'User-Agent' : user_agent}tmpUrl = urlwhile True:request = urllib2.Request(tmpUrl, headers=headers)content = urllib2.urlopen(request).read().decode('GBK')pattern = re.compile('<li\s+class="photo-list-padding"><a\s+class="pic"\s+href="(.+?)"\s+target=".+?"\s+hidefocus=".+?"><img\s*width=".+?"\s+height=".+?"\s+alt="(.+?)".+?/>', \re.S)imgInfoList = re.findall(pattern, content)threads = []for item in imgInfoList:sUrl = mUrl + item[0]#add threadif catalogLock.acquire():t = threading.Thread(target=getImgAssemble, args=(sUrl, item[1], filePath))t.setDaemon(True)threads.append(t)catalogLock.release()for i in range(len(threads)):threads[i].start()for i in range(len(threads)):threads[i].join(30)if not 'id="pageNext"' in content:breakelse:tmpUrl = mUrl + re.search('<a\s+id="pageNext"\s+href="(.+?)"\s*class="next"\s+target=".+?">', \content).group(1)def main():startTime = datetime.datetime.now()#img save pathsavePath = os.getcwd()url = 'http://b.zol-img.com.cn/desk/bizhi/image/7/960x600/1450950428732.jpg'#img name4imgName = 'pic1.jpg'#downloadImg(url, imgName, savePath)sUrl = 'http://desk.zol.com.cn/bizhi/6128_75825_2.html'fileName = 'meinv'#getImgAssemble(sUrl, fileName, savePath)cUrl = 'http://desk.zol.com.cn/meinv/'cFilePath = savePath+'/meinv'getImgCatalog(cUrl, cFilePath)endTime = datetime.datetime.now()print '\ntotal running time : %d s' %(endTime-startTime).secondsif __name__ == '__main__':main()

运行结果如下

：