今天， 试着爬取了煎蛋网的图片。
用到的包：
urllib.request
os
分别使用几个函数，来控制下载的图片的页数，获取图片的网页，获取网页页数以及保存图片到本地。过程简单清晰明了
直接上源代码：
import urllib.request import os def url_open(url): req = urllib.request.Request(url) req.add_header(‘user-agent‘,‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36‘) response = urllib.request.urlopen(url) html = response.read() return html def get_page(url): html = url_open(url).decode(‘utf-8‘) a = html.find(‘current-comment-page‘)+23 b = html.find(‘]‘,a) return html[a:b] def find_imgs(url): html = url_open(url).decode(‘utf-8‘) img_addrs = [] a = html.find(‘img src=‘) while a != -1: b = html.find(‘.jpg‘,a ,a+255) if b != -1: img_addrs.append(‘https:‘+html[a+9:b+4]) # ‘img src=‘为9个偏移 ‘.jpg‘为4个偏移 else: b = a+9 a = html.find(‘img src=‘, b) return img_addrs def save_imgs(folder, img_addrs): for each in img_addrs: filename = each.split(‘/‘)[-1] with open(filename, ‘wb‘) as f: img = url_open(each) f.write(img) print(img_addrs) def download_mm(folder = ‘xxoo‘, pages = 5): os.mkdir(folder) os.chdir(folder) url = ‘http://jandan.net/ooxx/‘ page_num = int(get_page(url)) for i in range(pages): page_num -= i page_url = url + ‘page-‘+ str(page_num) + ‘#comments‘ img_addrs = find_imgs(page_url) save_imgs(folder, img_addrs) if __name__ == ‘__main__‘: download_mm()
其中在主函数download_mm()中，将pages设置在了5面。
本来设置的是10，但是在程序执行的过程中。出现了404ERROR错误
即imgae_url出现了错误。尝试着在save_img()函数中加入了测试代码：print(img_addrs)，
想到会不会是因为后面页数的图片，img_url的格式出现了改变，导致404，所以将pages改成5，
再次运行，结果没有问题，图片能正常下载：
仔细观察发现，刚好是在第五面的图片往后，出现了不可下载的问题（404）。 所以在煎蛋网上，我们直接跳到第6面查看图片的url。
上图是后5面的图片url，下图是前5面的图片url
而源代码中，寻找的图片url为使用find()函数，进行定为<img src=‘’> <.jpg>中的图片url，所以后5面出现的a href 无法匹配，即出现了404 ERROR。如果想要下载后续的图片，需要重新添加一个url定位
即在find中将 img src 改成 a href，偏移量也需要更改。
总结：
使用find()来定位网页标签确实太过low，所以以后在爬虫中要尽量使用正则表达式和Beautifulsoup包来提高效率，而这两项我还不是特别熟，所以需要更多的训练。
原文：https://www.cnblogs.com/lesliechan/p/11494811.html