飞桨学院Python小白逆袭大神第二天《青春有你2》练习生照片爬取人工智能三岁学编程的博客-

三岁不会也在努力，大家一起加油！飞桨学院第二天我们一起来看看
对文章中源码进行了解析，采用了注释的方法，有问题的可以私聊，或联系我，有问题欢迎交流，文章末尾，有福利自己细品！

题目速看

！！！作业说明！！！
1.请在下方提示位置，补充代码，完成《青春有你2》选手图片爬取，将爬取图片进行保存，保证代码正常运行
2.打印爬取的所有图片的绝对路径，以及爬取的图片总数，此部分已经给出代码。请在提交前，一定要保证有打印结果，如下图所示：

收集数据，尤其是有标签、高质量的数据是一件昂贵的工作。

爬虫的过程，就是模仿浏览器的行为，往目标站点发送请求，接收服务器的响应数据，提取需要的信息，并进行保存的过程。

Python为爬虫的实现提供了工具:requests模块、BeautifulSoup库

任务描述

本次实践使用Python来爬取百度百科中《青春有你2》所有参赛选手的信息。

数据获取：https://baike.baidu.com/item/青春有你第二季

题目原有代码

#导入第三方库 import json import re import requests import datetime from bs4 import BeautifulSoup import os  #获取当天的日期,并进行格式化,用于后面文件命名，格式:20200420 today = datetime.date.today().strftime('%Y%m%d') def crawl_wiki_data(): """     爬取百度百科中《青春有你2》中参赛选手信息，返回html     """     headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36' }     url='https://baike.baidu.com/item/青春有你第二季' try:#预防报错采用异常处理确保软件稳定性         response = requests.get(url,headers=headers)#爬取页码 print(response.status_code)#输出页码访问情况（如果正确一般是200） #将一段文档传入BeautifulSoup的构造方法,就能得到一个文档的对象, 可以传入一段字符串         soup = BeautifulSoup(response.text,'lxml') #返回的是class为table-view log-set-param的<table>所有标签         tables = soup.find_all('table',{'class':'table-view log-set-param'})          crawl_table_title = "参赛学员" for table in  tables: #对当前节点前面的标签和字符串进行查找 #定位到我们所需要的内容上             table_titles = table.find_previous('div').find_all('h3') for title in table_titles: if(crawl_table_title in title): return table            except Exception as e: print(e)#输出报错原因（种类） def parse_wiki_data(table_html): '''     从百度百科返回的html中解析得到选手信息，以当前日期作为文件名，存JSON文件,保存到work目录下     '''     bs = BeautifulSoup(str(table_html),'lxml')#用bs4进行解析     all_trs = bs.find_all('tr')#获取所有的'tr'标签      error_list = [''','"']      stars = [] for tr in all_trs[1:]:#循环除了第一个‘tr’标签以外的内容          all_tds = tr.find_all('td')           star = {} #获取并保存数据 #姓名          star["name"]=all_tds[0].text          #个人百度百科链接          star["link"]= 'https://baike.baidu.com' + all_tds[0].find('a').get('href') #籍贯          star["zone"]=all_tds[1].text          #星座          star["constellation"]=all_tds[2].text          #身高          star["height"]=all_tds[3].text          #体重          star["weight"]= all_tds[4].text           #花语,去除掉花语中的单引号或双引号          flower_word = all_tds[5].text          for c in flower_word: if  c in error_list:                  flower_word=flower_word.replace(c,'')          star["flower_word"]=flower_word                     #公司 if not all_tds[6].find('a') is None:              star["company"]= all_tds[6].find('a').text          else:              star["company"]= all_tds[6].text             stars.append(star)      json_data = json.loads(str(stars).replace("'",""")) #此处的work修改为电脑实际位置如：./  #(本目录下)    with open('work/' + today + '.json', 'w', encoding='UTF-8') as f:         json.dump(json_data, f, ensure_ascii=False) def crawl_pic_urls(): '''     爬取每个选手的百度百科图片，并保存     ''' #修改此处位置 with open('work/'+ today + '.json', 'r', encoding='UTF-8') as file:          json_array = json.loads(file.read())      headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36' } for star in json_array:          name = star['name']         link = star['link'] #！！！请在以下完成对每个选手图片的爬取，将所有图片url存储在一个列表pic_urls中！！！ '''         需要输入的内容！！！         ''' #！！！根据图片链接列表pic_urls, 下载所有图片，保存在以name命名的文件夹中！！！         down_pic(name,pic_urls) def down_pic(name,pic_urls): '''     根据图片链接列表pic_urls, 下载所有图片，保存在以name命名的文件夹中,     ''' #修改实际位置     path = 'work/'+'pics/'+name+'/' if not os.path.exists(path):#如果文件不存在则创建       os.makedirs(path) for i, pic_url in enumerate(pic_urls):循环列表并输出列表内的编码         try:#异常处理             pic = requests.get(pic_url, timeout=15)             string = str(i + 1) + '.jpg' with open(path+string, 'wb') as f:#打开文件保存并关闭                 f.write(pic.content) print('成功下载第%s张图片: %s' % (str(i + 1), str(pic_url))) except Exception as e: print('下载第%s张图片时失败: %s' % (str(i + 1), str(pic_url))) print(e) continue def show_pic_path(path): '''     遍历所爬取的每张图片，并打印所有图片的绝对路径     '''     pic_num = 0 for (dirpath,dirnames,filenames) in os.walk(path): for filename in filenames:            pic_num += 1 print("第%d张照片：%s" % (pic_num,os.path.join(dirpath,filename))) print("共爬取《青春有你2》选手的%d照片" % pic_num) if __name__ == '__main__':#主函数 #爬取百度百科中《青春有你2》中参赛选手信息，返回html      html = crawl_wiki_data() #解析html,得到选手信息，保存为json文件      parse_wiki_data(html) #从每个选手的百度百科页面上爬取图片,并保存      crawl_pic_urls() #打印所爬取的选手图片路径 #修改到实际位置      show_pic_path('/home/aistudio/work/pics/') print("所有信息爬取完成！") 

内容解析

上面的代码把《青春有你2》的百度百科页面进行了解析，提取每个练习生的百科地址
然后是我们填写的内容
下面是下载图片，保存图片然后是输出目录下面的文件名字

总体思路

先行爬取页面然后根据页面找到图库地址
在这里插入图片描述

找到地址分析

这个地址需要拼接，拼接好以后，就可以使用了。

拼接好以后request到页面

找到有关地址进行分析，然后把地址获取下来放到列表即可。

#小编源码，有许多输出测试 pic_urls = []#新建列表每次循环初始化 r = requests.get(link, headers= headers)#获取每个页面的信息 #print(r.text) soup = BeautifulSoup(r.text, 'lxml')#解析页面 # print(soup) migs = soup.find_all('div', class_='summary-pic') #print(migs) migs = migs[0].a.get('href')#获取链接的部分内容 if 'http' not in migs:#避免其他内容干扰报错 # print(migs)     url = f'https://baike.baidu.com{migs}'#拼接链接 # print(url)     photo_r = requests.get(url, headers= headers)#获取链接页面 # print(photo_r.text)     photo_soup = BeautifulSoup(photo_r.text, 'lxml')#解析页面     photo_urls = photo_soup.find_all('a', class_='pic-item')#解析页面 for photo_url in photo_urls: print(photo_url) try:             photo_url = photo_url.img.get('src')#获取图片地址             pic_urls.append(photo_url)#放入列表 except: continue 

结果查看

基本上符合标准（目标482张我这里改了地址多了一个join文件）

注意内容

在里面因为是远端文件所有的地址需要修改改到实际是电脑的位置，小编已经给了标注大家注意！！！
今天的内容就到这里了，明天再见，不不不明天小编就肝秃了。

上图自己领会