這篇文章主要介紹python2如何爬取百度貼吧指定關(guān)鍵字和圖片，文中介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們一定要看完！

讓客戶滿意是我們工作的目標(biāo)，不斷超越客戶的期望值來自于我們對這個(gè)行業(yè)的熱愛。我們立志把好的技術(shù)通過有效、簡單的方式提供給客戶，將通過不懈努力成為客戶在信息化領(lǐng)域值得信任、有價(jià)值的長期合作伙伴，公司提供的服務(wù)項(xiàng)目有：申請域名、虛擬空間、營銷軟件、網(wǎng)站建設(shè)、岳普湖網(wǎng)站維護(hù)、網(wǎng)站推廣。

目的：在百度貼吧輸入關(guān)鍵字和要查找的起始結(jié)束頁，獲取帖子里面樓主所發(fā)的圖片

思路：

• 獲取分頁里面的帖子鏈接列表

• 獲取帖子里面樓主所發(fā)的圖片鏈接列表

• 保存圖片到本地

注意事項(xiàng)：

• 問題：在谷歌瀏覽器使用xpath helper插件時(shí)有匹配結(jié)果，但在程序里面使用python內(nèi)帶的xpath匹配卻為空的原因。

• 原因：不同服務(wù)器會對不同的瀏覽器返回不同的數(shù)據(jù)，導(dǎo)致在谷歌瀏覽器看到的和服務(wù)器返回的有區(qū)別

• 解決方法：使用IE瀏覽器的User-agenet，而且越老的版本，報(bào)錯(cuò)幾率相對越小

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import urllib2
import urllib
import os
from lxml import etree
keyword = raw_input('請輸入要查詢的關(guān)鍵字： ')

keyword = {'kw':keyword}

kw = urllib.urlencode(keyword)

startpage = raw_input('請輸入開始頁數(shù)： ')

endpage = raw_input('請輸入結(jié)束頁數(shù)： ')

url = 'https://tieba.baidu.com/f' + '?' + kw

print('開始下載...')
# 計(jì)算下載的圖片個(gè)數(shù)，注意：變量n如放在最外層循環(huán)，可以統(tǒng)計(jì)每個(gè)分頁圖片個(gè)數(shù)
n = 0
# 獲取分頁里面帖子鏈接列表，獲取每個(gè)帖子里樓主所發(fā)的圖片鏈接列表，保存圖片
# 獲取帖子鏈接列表
for page in range(int(startpage),int(endpage)+1):
    pnumber = {'pn': str((page - 1)*50)}
    pnumber = urllib.urlencode(pnumber)
    fullurl = url + '&' + pnumber
    # 發(fā)現(xiàn)使用谷歌瀏覽器的User-Agent，會導(dǎo)致后面的xpath匹配結(jié)果有時(shí)為空。原因：服務(wù)器會對不同的瀏覽器發(fā)出的同一請求返回不同格式的數(shù)據(jù)，此時(shí)返回的數(shù)據(jù)和在谷歌瀏覽器里面看到的數(shù)據(jù)不同。
    # 解決辦法：使用IE瀏覽器的User-Agent，因?yàn)镮E的相對來說更標(biāo)準(zhǔn)，而且版本越老問題越少。
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; rv:11.0) like Gecko"}
    request = urllib2.Request(fullurl,headers=headers)
    response = urllib2.urlopen(request)
    html = response.read()

    # 解析html 為 HTML DOM文檔
    content = etree.HTML(html)
    # xpath使用下面括號內(nèi)容進(jìn)行匹配，使用a的屬性使用了class='j_th_tit'去過濾廣告則匹配結(jié)果為空；換成a的屬性rel="noreferrer"就解決。為啥換不清楚。思路，這個(gè)屬性不行換個(gè)屬性。
    # 獲取每個(gè)分頁里面的帖子的鏈接列表
    link_list = content.xpath('//div[@class="threadlist_lz clearfix"]/div/a[@rel="noreferrer"]/@href')
    # 獲取該帖子樓主所發(fā)的圖片鏈接列表
    for link in link_list:
      link = 'https://tieba.baidu.com' + link 
      request2 = urllib2.Request(link,headers=headers)
      response2 = urllib2.urlopen(request2)
      html2 = response2.read()

      # 把html字符串解析為html dom
      content2 = etree.HTML(html2)

      # 使用xpath匹配其里面層主所發(fā)的圖片的鏈接
      link_list2 = content2.xpath('//img[@class="BDE_Image"]/@src')

      # 遍歷圖片鏈接列表，保存圖片到文件夾images內(nèi)
      for link2 in link_list2:

        request3 = urllib2.Request(link2,headers=headers)
        response3 = urllib2.urlopen(request3)
        html3 = response3.read()
        # 指定文件名
        filename = link2[-10:]
        n += 1
        print('正在保存第 %3d 張圖片'%n)

        # html3為返回的圖片內(nèi)容，把圖片寫入images2文件夾內(nèi)
        with open('images' + '/' + filename,'wb') as f:
          f.write(html3)

print('下載結(jié)束！')

以上是“python2如何爬取百度貼吧指定關(guān)鍵字和圖片”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注創(chuàng)新互聯(lián)成都網(wǎng)站設(shè)計(jì)公司行業(yè)資訊頻道！

另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時(shí)售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價(jià)比高”等特點(diǎn)與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。

本文名稱：python2如何爬取百度貼吧指定關(guān)鍵字和圖片-創(chuàng)新互聯(lián)
標(biāo)題來源：http://weahome.cn/article/cssjih.html