python爬虫初体验（四）—— 百度文库PPT的爬取

在Python 2中编写一个爬虫来大量下载图片，可以使用requests库来发送HTTP请求，并使用BeautifulSoup来解析HTML页面。此外，可以使用urllib2库来下载图片。lxml 是一个 Python 库，用于处理 XML 和 HTML 文档。它提供了高效的 XML/HTML 解析和生成工具，是处理 Web 页面内容的常用工具之一。

1. 安装包

pip install requests
pip install beautifulsoup4
pip install lxml
pip install urllib2

2. 相关代码

下面是一个相关代码，演示如何从一个网页中下载图片：

# -*- coding: utf-8 -*-
import requests
import os
import urllib2
from lxml import etree# 创建目录函数
def create_file(file_path):# 如果目录不存在，则创建目录if not os.path.exists(file_path):os.makedirs(file_path)# 下载图片函数
def download_image(url, path):try:# 使用 urllib2 打开 URL 并获取响应response = urllib2.urlopen(url)# 以二进制写模式打开文件，并写入响应内容with open(path, 'wb') as f:f.write(response.read())except Exception as e:# 如果发生异常，打印错误信息print("Failed to download image: {}".format(url))print("Error: ", str(e))# 从网页中抓取图片的函数
def fetch_images_from_page(url):# 使用 requests 发送 GET 请求获取网页内容resp = requests.get(url)# 解析网页文本text = resp.text# 使用 lxml 解析 HTML 文档html = etree.HTML(text)# 通过 XPath 获取包含图片的元素列表img_list = html.xpath('//div[@class="mod flow-ppt-mod"]/div/div/img')# 初始化计数器cnt = 1# 目标文件路径file_path = './ppt/'# 创建目标文件夹create_file(file_path)# 遍历图片元素列表for i in img_list:try:# 尝试获取图片的 src 属性img_url = i.xpath('./@src')[0]except IndexError:# 如果 src 属性不存在，则尝试获取 data-src 属性img_url = i.xpath('./@data-src')[0]# 构建图片文件名file_name = '%s/page_%d.jpg' % (file_path, cnt)# 下载图片download_image(img_url, file_name)# 输出下载成功的提示信息print("Downloaded: {}".format(file_name))# 增加计数器cnt += 1# 主函数
def main():# 目标网页 URLurl = 'https://wenku.baidu.com/view/c784625f1a2e453610661ed9ad51f01dc3815771.html'# 调用抓取图片的函数fetch_images_from_page(url)# 如果当前模块是主程序，则执行 main 函数
if __name__ == '__main__':main()

3. 说明

• 导入模块：导入必要的模块 requests、os、urllib2 和 lxml.etree。
• 创建目录函数：create_file 用于创建指定的目录。
• 下载图片函数：download_image 用于下载图片并保存到本地。
• 从网页中抓取图片的函数：fetch_images_from_page 用于从指定网页抓取图片并下载到本地。
• 主函数：main 用于定义入口 URL 并调用抓取图片的函数。

4. 注意事项

• 图片URL：确保图片的URL是绝对路径。如果是相对路径，需要拼接成绝对路径。
• 错误处理：添加了异常处理逻辑，以处理下载过程中可能出现的错误。
• 文件路径：确保保存图片的路径正确，并且有写入权限。
• XPath 表达式：使用 XPath 表达式从网页中提取图片元素。

5. 扩展功能

5.1 多页面下载

如果你需要从多个页面下载图片，可以将页面的URL放入一个列表中，并循环处理每个页面。

def main():# 目标URL列表urls = ['https://example.com/images1', 'https://example.com/images2']# 抓取并下载图片for url in urls:fetch_images_from_page(url)if __name__ == '__main__':main()

5.2 输入地址下载

如果你需要输入想要的地址，然后下载相对应的图片，需要使用raw_input，raw_input是一个内置函数，用于从标准输入（通常是键盘）读取一行文本，并返回一个字符串。这个函数不会执行任何类型的转换，返回的内容就是用户输入的原始字符串。

def main():url = raw_input('输入百度文库地址：')fetch_images_from_page(url)if __name__ == '__main__':main()