孤荷凌寒自學python第八十二天學習爬取圖片2

時間 2019-12-09

標籤自學 python 第八十二天 2天學習圖片欄目 Python 简体版

原文原文鏈接

孤荷凌寒自學python第八十二天學習爬取圖片2html

（完整學習過程屏幕記錄視頻地址在文末）python

今天在昨天基本嘗試成功的基礎上，繼續完善了文字和圖片的同時爬取並存放在word文檔中。web

1、我準備爬取一個有文字也有圖片的博客頁面編程

https://www.cnblogs.com/forever-snow/p/8506746.html服務器

2、具體代碼cookie

```網絡

import requestsapp

from bs4 import BeautifulSoupcurl

import re編程語言

import datetime

import pymongo

import os

from contextlib import closing

from docx.shared import RGBColor #將三個數值生成色彩對象

import _mty

import _mf

import _mbs4

import _mmongo

import _mre

import _mdb

import _mword

import _mrequests

intc=0

def msgbox(info,titletext='孤荷凌寒的DB模塊對話框QQ578652607',style=0,isShowErrMsg=False):

return _mty.msgboxGhlh(info,titletext,style,isShowErrMsg)

#定義一個讀取完成單個博客園頁面的函數

def getapage(strurl,strsavepath,strsavefile):

os.makedirs(strsavepath, exist_ok=True)

doc=_mword.newDocX(strsavepath + strsavefile)

doc.add_paragraph(strurl)

header={

'accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',

'accept-encoding':'gzip, deflate, br',

'accept-language':'zh-CN,zh;q=0.9',

'cache-control':'max-age=0',

'cookie':'__gads=ID=40b6d57596e7429a:T=1538208840:S=ALNI_MbWvfR21-XDCnnRMC6w1ipz5pL1hw; _ga=GA1.2.1676220267.1545396991; UM_distinctid=16813a77ccd322-03ef758a8d4e-3c604504-144000-16813a77cce8fa; CNZZDATA1256907=cnzz_eid%3D1198885933-1546517969-%26ntime%3D1546518138; CNZZDATA1257640778=1118534197-1547552369-https%253A%252F%252Fwww.baidu.com%252F%7C1547607403; _gid=GA1.2.1292942896.1547814253',

'referer':'https://www.baidu.com/link?url=qbb-FNVuosS5gMXV4E6kyu5UdwHX8ywZFIRl0iHiHm-yiTe8Lr5quxi7vcCXAS1yonIvrk58Sagt0tNVIsZDeK&wd=&eqid=c2293eaa0002eede000000055c42f402',

'upgrade-insecure-requests':'1',

'user-agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'

}

r=requests.get(strurl,headers=header)

r.raise_for_status() #raise異常自動拋出，若是讀取的Url服務器端返回400或500及後的錯誤，那麼，則會拋出異常後，再也不向後執行

r.encoding='utf-8'

bs=BeautifulSoup(r.text,'lxml')

htmldiv=bs.select('#cnblogs_post_body')[0]

#htmldiv=htmldiv.parent

#msgbox(str(type(htmldiv)))

for m,i in enumerate(list(htmldiv.find_all(['p','div']))):

strcontent=i.get_text()

_mword.addPToDocx(doc,strcontent)

imgs=i.find_all('img')

for k,j in enumerate(list(imgs)):

strpicurl=j['src']

lsttemp=strpicurl.split('.')

strhouzui='.' + lsttemp[-1]

strpicfilenm=strsavepath + '%d03' %m + '%d03' %k + strhouzui

try:

_mrequests.downloadPicGhlhStream(strpicurl,header,strpicfilenm)

doc.add_picture(strpicfilenm)

except:

pass

doc.save(strsavepath + strsavefile)

#downloadpicfirst()

getapage('https://www.cnblogs.com/forever-snow/p/8506746.html','I:\\MAKEAPP\\python\\Python365\\邊學習邊測試文件夾\\自學PYTHON部分\\0082第八十二天同時將圖片和文字爬取下來2\\docs\\','001.docx')

```

3、對昨天處理圖片的方法進行了封裝:

【_mrequest.py】

```

import requests

from bs4 import BeautifulSoup

import re

import datetime

from contextlib import closing

import _mty

import _mf

import _mbs4

import _mre

mrequestsErrString='' #供其它模塊使用的全局變量了，實時保存了各函數執行時的錯誤信息

def msgbox(info,titletext='孤荷凌寒的requests模塊對話框QQ578652607',style=0,isShowErrMsg=False):

return _mty.msgboxGhlh(info,titletext,style,isShowErrMsg)

#使用content的寫法，速度要慢得多

def downLoadPicGhlhContent(strpicurl,header,strsavefile,isShowMsg=False):

try:

r=requests.get(strpicurl,headers=header)

r.raise_for_status() #raise異常自動拋出，若是讀取的Url服務器端返回400或500及後的錯誤，那麼，則會拋出異常後，再也不向後執行

#下一句指定了讀取網頁時要使用的編碼格式

r.encoding=r.apparent_encoding #requests的返回結果對象裏有個apparent_encoding函數, apparent_encoding經過調用chardet.detect()來識別文本編碼. 可是須要注意的是，這有些消耗計算資源.

#r.encoding='utf-8'

with open(strsavefile,'wb') as f:

f.write(r.content) #content屬性與text屬性不一樣

#---------------------------------------------

except Exception as e:

mrequestsErrString='經過讀取圖片content方式寫入本地下載圖片時出錯:' + str(e) + '\n此函數由【孤荷凌寒】建立,QQ578652607'

if isShowMsg==True:

msgbox(mrequestsErrString)

return None

else:

pass

finally:

pass

#使用流模式的寫法，速度快得多

def downloadPicGhlhStream(strpicurl,header,strsavefile,isShowMsg=False):

try:

r=requests.get(strpicurl,headers=header,stream=True)

r.raise_for_status() #raise異常自動拋出，若是讀取的Url服務器端返回400或500及後的錯誤，那麼，則會拋出異常後，再也不向後執行

#流模式不須要指定編碼格式

#下一行用意在於，在寫完流以後，自動關閉流

with closing(requests.get(strpicurl,headers=header,stream=True)) as r:

with open(strsavefile,'wb') as f:

#將流分紅n個部分寫入，每一個部分分紅128字節

for chunk in r.iter_content(128): #這一句vscode報錯，可是假的報錯

f.write(chunk)

except Exception as e:

mrequestsErrString='經過讀取圖片數據流方式寫入本地下載圖片時出錯:' + str(e) + '\n此函數由【孤荷凌寒】建立,QQ578652607'

if isShowMsg==True:

msgbox(mrequestsErrString)

return None

else:

pass

finally:

pass

```

4、一些發現

html標籤對象的children屬性並不能返回全部子級對象，還得使用find_all方法才行。

最開始我使用:

htmldiv.children

沒有成功，後來改成：

htmldiv.find_all(['p','div'])

——————————

今天整理的學習筆記完成，最後例行說明下個人自學思路：

根據過去多年我自學各類編程語言的經歷，認爲只有真正體驗式，解決實際問題式的學習纔會有真正的效果，即讓學習實際發生。在2004年的時候我開始在一個鄉村小學自學電腦並學習vb6編程語言，沒有學習同伴，也沒有高師在上，甚至電腦都是孤島（鄉村那時尚未網絡），有的只是一本舊書，在痛苦的自學摸索中，我找到適應本身零基礎的學習方法：首先是每讀書的一小節就做相應的手寫筆記，第二步就是上機測試每個筆記內容是否實現，其中會發現書中講的其實有出入或錯誤，第三步就是在上機測試以後，將筆記改成電子版，造成最終的修訂好的正確無誤的學習筆記。

經過反覆嘗試錯誤，在那個沒有分享與交流的黑暗時期我摸黑學會了VB6，爾後接觸了其它語言，也曾聽過付費視頻課程，結果發現也許本身學歷果真過低，就算是零基礎的入門課程，其實也難以跟上進度，講師的教學多數出現對初學者的實際狀況並不瞭解的狀況，何況學習者的個體也存在差別呢？固然更可怕的是收費課程的價格每每是本身難以承受的。

因而個人全部編程學習都改成了自學，繼續本身的三步學習筆記法的學習之路。

固然自學的最大問題是會走那麼多的彎路，沒有導師直接輸入式的教學來得直接，好在網絡給咱們帶來無限搜索的機會，你們在網絡上的學習日誌帶給咱們共享交流的機會，而QQ羣等交流平臺、網絡社區的成立，咱們能夠一塊兒自學，互相批評交流，也能夠得到更有效，更自主的自學成果。

因而我以人生已過半的年齡，決定繼續個人編程自學之路，開始學習python，只但願與你們共同交流，一我的的獨行是可怕的，只有一羣人的共同前進纔是有但願的。

誠摯期待您的交流分享批評指點！歡迎聯繫我加入從零開始的自學聯盟。

這個時代互聯網成爲了一種基礎設施的存在，因而原本在孤獨學習之路上的咱們變得再也不孤獨，由於網絡就是一個新的客廳，咱們時刻均可以進行沙龍活動。

很是樂意能與你們一塊兒交流本身自學心得和發現，更但願你們可以對我學習過程當中的錯誤給予指點——是的，這樣我就能有許多免費的高師了——這也是分享時代，社區時代帶來的好福利，我相信你們會的，是吧！

根據徹底共享的精神，開源互助的理念，個人我的自學錄製過程是所有按4K高清視頻錄製的,從手寫筆記到驗證手寫筆記的上機操做過程全程錄製，但由於4K高清文件太大均超過5G以上，因此沒法上傳至網絡，若有須要可聯繫我QQ578652607對傳，樂意分享。上傳分享到百度網盤的只是壓縮後的720P的視頻。

個人學習過程錄像百度盤地址分享以下：（清晰度：1280x720）

連接：https://pan.baidu.com/s/1yC6d_VJ8dbSD1mwsRmCvcQ

提取碼：1s5m

Bilibili:

https://www.bilibili.com/video/av41236139/