python爬虫下载百度贴吧图片，,本次爬取的贴吧是百度的美

本次爬取的贴吧是百度的美女吧，给广大男同胞们一些激励

在爬取之前需要在浏览器先登录百度贴吧的帐号，各位也可以在代码中使用post提交或者加入cookie

爬行地址：http://tieba.baidu.com/f?kw=%E7%BE%8E%E5%A5%B3&ie=utf-8&pn=0

-- coding:utf-8 --import urllib2import reimport requestsfrom lxml import etree

这些是要导入的库，代码并没有使用正则，使用的是xpath，正则困难的童鞋可以尝试使用下

推荐各位先使用基本库来写，这样可以学习到更多

links=[] #遍历url的地址k=1print u'请输入最后的页数：'endPage=int(raw_input()) #最终的页数 (r'\d+(?=\s*页) 这是一个比较通用的正则抓取总页数的代码，当然最后要group

#这里是手动输入页数，避免内容太多

for j in range(0,endPage): url='http://tieba.baidu.com/f?kw=%E7%BE%8E%E5%A5%B3&amp;ie=utf-8&amp;pn='+str(j) #页数的url地址 html=urllib2.urlopen(url).read() #读取首页的内容 selector=etree.HTML(html) #转换为xml，用于在接下来识别 links=selector.xpath('//div/a[@class="j_th_tit"][email&#160;protected]/ <![CDATA[ /!function(t,e,r,n,c,a,p){try{t=document.currentScript||function(){for(t=document.getElementsByTagName('script'),e=t.length;e--;)if(t[e].getAttribute('data-cfhash'))return t[e]}();if(t&&(c=t.previousSibling)){p=t.parentNode;if(a=c.getAttribute('data-cfemail')){for(e='',r='0x'+a.substr(0,2)|0,n=2;a.length-n;n+=2)e+='%'+('0'+('0x'+a.substr(n,2)^r).toString(16)).slice(-2);p.replaceChild(document.createTextNode(decodeURIComponent(e)),c)}p.removeChild(t)}}catch(u){}}()/ ]]> /') #抓取当前页面的所有帖子的url

#大家可以使用浏览器自带的源码查看工具，在指定目标处查看元素，这样更快捷

for i in links:        url1="http://tieba.baidu.com"+i #因为爬取到的地址是相对地址，所以要加上百度的domain        html2=urllib2.urlopen(url1).read() #读取当前页面的内容        selector=etree.HTML(html2) #转换为xml用于识别        link=selector.xpath('//img[@class="BDE_Image"][email&#160;protected]/* <![CDATA[ */!function(t,e,r,n,c,a,p){try{t=document.currentScript||function(){for(t=document.getElementsByTagName('script'),e=t.length;e--;)if(t[e].getAttribute('data-cfhash'))return t[e]}();if(t&&(c=t.previousSibling)){p=t.parentNode;if(a=c.getAttribute('data-cfemail')){for(e='',r='0x'+a.substr(0,2)|0,n=2;a.length-n;n+=2)e+='%'+('0'+('0x'+a.substr(n,2)^r).toString(16)).slice(-2);p.replaceChild(document.createTextNode(decodeURIComponent(e)),c)}p.removeChild(t)}}catch(u){}}()/* ]]> */') #抓取图片，各位也可以更换为正则，或者其他你想要的内容

#此处就是遍历下载

    for each in link:            #print each            print u'正在下载%d'%k            fp=open('image/'+str(k)+'.bmp','wb') #下载在当前目录下 image文件夹内，图片格式为bmp            image1=urllib2.urlopen(each).read() #读取图片的内容            fp.write(image1) #写入图片            fp.close()            k+=1 #k就是文件的名字，每下载一个文件就加1print u'下载完成!'

如果想要爬取其他站点的内容，大家可以参考一下转自：http://www.cnblogs.com/lonenysky/p/4644173.html