|
20鱼币
我的代码是这样子的:
- import urllib.request
- import os
- def url_open(url):
- req=urllib.request.Request(url)
- req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36')
- response=urllib.request.urlopen(url)
- html=response.read()
- return html
- def get_page(url):
- html=url_open(url).decode('utf-8')
-
- a=html.find('current-comment-page')+23
- b=html.find(']',a)
- return html[a:b]
-
- def find_imgs(url):
- html=url_open(url).decode('utf-8')
- img_addrs=[]
-
- a=html.find('img src=')
- while a!=-1:
- b=html.find('.jpg',a,a+225)
- if b!=-1:
- img_addrs.append(html[a+9:b+4])
- else:
- b=a+9
- a=html.find('img src=',b)
- return img_addrs
- def save_imgs(folder,img_addrs):
- for each in img_addrs:
- filename=each.split('/')[-1]
- with open(filename,'wb') as f:
- img=url_open(each)
- f.write(img)
- def download_mm(folder='小黄图',pages=10):
- os.mkdir(folder)
- os.chdir(folder)
- url='http://jandan.net/ooxx/'
- page_num=int(get_page(url))
- for i in range(pages):
- page_num-=i
- page_url=url+'page-'+str(page_num)+'#comments'
- img_addrs=find_imgs(page_url)
- save_imgs(folder,img_addrs)
-
- if __name__ == '__main__':
- download_mm()
复制代码
可是运行后文件夹出来了,里面只有一个空空的图片,错误如下:
- Traceback (most recent call last):
- File "C:\Users\Administrator\Desktop\OOXX.py", line 60, in <module>
- download_mm()
- File "C:\Users\Administrator\Desktop\OOXX.py", line 57, in download_mm
- save_imgs(folder,img_addrs)
- File "C:\Users\Administrator\Desktop\OOXX.py", line 41, in save_imgs
- img=url_open(each)
- File "C:\Users\Administrator\Desktop\OOXX.py", line 5, in url_open
- req=urllib.request.Request(url)
- File "D:\lib\urllib\request.py", line 268, in __init__
- self.full_url = url
- File "D:\lib\urllib\request.py", line 294, in full_url
- self._parse()
- File "D:\lib\urllib\request.py", line 323, in _parse
- raise ValueError("unknown url type: %r" % self.full_url)
- ValueError: unknown url type: '//ww2.sinaimg.cn/mw600/661eb95cgw1fb40ppksiwj20sg16on3k.jpg'
复制代码
我一点都不懂什么意思,麻烦大家了,谢谢
本帖最后由 Liangmp 于 2016-12-28 12:05 编辑
同学你好,我在看视频的练习过程中也遇到了同样的问题,错误提示跟你的一样:
ValueError: unknown url type: '//ww2.sinaimg.cn/mw600/661eb95cgw1fb40ppksiwj20sg16on3k.jpg'
可以看到,错误提示里面的unknown url type缺少了'http:',所以我们把缺少的补上就可以了,以下是我参照8楼的代码,对小甲鱼老师的原始代码的修改:
- import urllib.request
- import os
- import re
- def url_open(url):
- req=urllib.request.Request(url)
- req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 Safari/537.36 SE 2.X MetaSr 1.0')
- response=urllib.request.urlopen(url)
- html=response.read()
- return html
- def get_page(url):
- html=url_open(url).decode('utf-8')
- re_page = r'\[(\d{4,})\]' #匹配初始页码[2290]
- findpage =re.findall(re_page,html)
- pagenum = findpage[0]
- print('start pagenum is :')
- print(pagenum)
- return pagenum
-
- def find_imgs(url):
- html=url_open(url).decode('utf-8')
- '''
- img_addrs=[]
-
- a=html.find('img src=')
- while a!=-1:
- b=html.find('.jpg',a,a+225)
- if b!=-1:
- img_addrs.append(html[a+9:b+4])
- else:
- b=a+9
- a=html.find('img src=',b)
- return img_addrs
- '''
- pattern = r'<img src="(.*?)"'
- img_addrs = re.findall(pattern,html,re.M)
- return img_addrs
-
- def save_imgs(folder,img_addrs):
- for each in img_addrs:
- if 'http:' not in each:
- filename=each.split('/')[-1]
- eachhttp = 'http:' + each
- print(eachhttp)
- with open(filename,'wb') as f:
- img=url_open(eachhttp)
- f.write(img)
- else:
- filename=each.split('/')[-1]
- print(each)
- urllib.request.urlretrieve(each,filename)
- def download_mm(folder='mm图',pages=10):
- os.mkdir(folder)
- os.chdir(folder)
- url='http://jandan.net/ooxx/'
- #url = 'http://jandan.net/pic/' #同理,我们也可以用这份代码爬取无聊图
- page_num=int(get_page(url))
- for i in range(pages):
- page_num-=i
- page_url=url+'page-'+str(page_num)+'#comments'
- img_addrs=find_imgs(page_url)
- save_imgs(folder,img_addrs)
-
- if __name__ == '__main__':
- download_mm()
复制代码
小小说明:
这份代码是把该网页上的所有图片(包括jpg格式和gif格式),所以一些与mm无关的图也可能会被爬取下来哦。
有时候会出现403error,有可能是被发现是爬虫而拦截了,你再试一两次就好。
个人认为8楼的代码写得很好,我有很多地方的修改都是参照8楼的。
亲测可用。
本人也是个新手,请多多指教~
|
最佳答案
查看完整内容
同学你好,我在看视频的练习过程中也遇到了同样的问题,错误提示跟你的一样:
ValueError: unknown url type: '//ww2.sinaimg.cn/mw600/661eb95cgw1fb40ppksiwj20sg16on3k.jpg'
可以看到,错误提示里面的unknown url type缺少了'http:',所以我们把缺少的补上就可以了,以下是我参照8楼的代码,对小甲鱼老师的原始代码的修改:
小小说明:
这份代码是把该网页上的所有图片(包括jpg格式和gif格式),所以一些与mm无关的图也 ...
|