Python爬虫实战四之抓取淘宝MM照片

　　本篇目标1. 抓取淘宝 MM 的姓名，头像，年龄
　　2. 抓取每一个 MM 的资料简介以及写真图片
　　3. 把每一个 MM 的写真图片按照文件夹保存到本地
　　4. 熟悉文件保存的过程1.URL 的格式
　　在这里我们用到的 URL 是 http://mm.taobao.com/json/request_top_list.htm?page=1，问号前面是基地址，后面的参数 page 是代表第几页，可以随意更换地址。点击开之后，会发现有一些淘宝 MM 的简介，并附有超链接链接到个人详情页面。 我们需要抓取本页面的头像地址，MM 姓名，MM 年龄，MM 居住地，以及 MM 的个人详情页面地址。 2. 抓取简要信息
　　相信大家经过上几次的实战，对抓取和提取页面的地址已经非常熟悉了，这里没有什么难度了，我们首先抓取本页面的 MM 详情页面地址，姓名，年龄等等的信息打印出来，直接贴代码如下 __author__ = ＂CQC＂ # -*- coding:utf-8 -*-  import urllib import urllib2 import re  class Spider:      def __init__(self):         self.siteURL = ＂http://mm.taobao.com/json/request_top_list.htm＂      def getPage(self,pageIndex):         url = self.siteURL + ＂?page=＂ + str(pageIndex)         print url         request = urllib2.Request(url)         response = urllib2.urlopen(request)         return response.read().decode(＂gbk＂)      def getContents(self,pageIndex):         page = self.getPage(pageIndex)         pattern = re.compile(＂//img05.71396.com/ba/lk/5c7276d5993418c4.jpg.*?//img05.71396.com/ba/lk/5c7276d5993418c4.jpg＂,re.S)         items = re.findall(pattern,page)         for item in items:             print item[0],item[1],item[2],item[3],item[4]  spider = Spider() spider.getContents(1)
　　运行结果如下
　　2. 文件写入简介
　　在这里，我们有写入图片和写入文本两种方式 1）写入图片#传入图片地址，文件名，保存单张图片 def saveImg(self,imageURL,fileName):      u = urllib.urlopen(imageURL)      data = u.read()      f = open(fileName, ＂wb＂)      f.write(data)      f.close()2）写入文本def saveBrief(self,content,name):     fileName = name + ＂/＂ + name + ＂.txt＂     f = open(fileName,＂w+＂)     print u＂正在偷偷保存她的个人信息为＂,fileName     f.write(content.encode(＂utf-8＂))3）创建新目录#创建新目录 def mkdir(self,path):     path = path.strip()     # 判断路径是否存在     # 存在     True     # 不存在   False     isExists=os.path.exists(path)     # 判断结果     if not isExists:         # 如果不存在则创建目录         # 创建目录操作函数         os.makedirs(path)         return True     else:         # 如果目录存在则不创建，并提示目录已存在         return False3. 代码完善
　　主要的知识点已经在前面都涉及到了，如果大家前面的章节都已经看了，完成这个爬虫不在话下，具体的详情在此不再赘述，直接帖代码啦。 spider.py__author__ = ＂CQC＂ # -*- coding:utf-8 -*-  import urllib import urllib2 import re import tool import os  #抓取MM class Spider:      #页面初始化     def __init__(self):         self.siteURL = ＂http://mm.taobao.com/json/request_top_list.htm＂         self.tool = tool.Tool()      #获取索引页面的内容     def getPage(self,pageIndex):         url = self.siteURL + ＂?page=＂ + str(pageIndex)         request = urllib2.Request(url)         response = urllib2.urlopen(request)         return response.read().decode(＂gbk＂)      #获取索引界面所有MM的信息，list格式     def getContents(self,pageIndex):         page = self.getPage(pageIndex)         pattern = re.compile(＂//img05.71396.com/ba/lk/5c7276d5993418c4.jpg.*?//img05.71396.com/ba/lk/5c7276d5993418c4.jpg＂,re.S)         items = re.findall(pattern,page)         contents = []         for item in items:             contents.append([item[0],item[1],item[2],item[3],item[4]])         return contents      #获取MM个人详情页面     def getDetailPage(self,infoURL):         response = urllib2.urlopen(infoURL)         return response.read().decode(＂gbk＂)      #获取个人文字简介     def getBrief(self,page):         pattern = re.compile(＂//img05.71396.com/ba/lk/5c7276d5993418c4.jpg