鱼C论坛

 找回密码
 立即注册
查看: 2743|回复: 5

[已解决]爬虫程序下载图片,但图片地址没有http:的前缀,显示url错误

[复制链接]
发表于 2017-4-30 20:16:14 | 显示全部楼层 |阅读模式

马上注册,结交更多好友,享用更多功能^_^

您需要 登录 才可以下载或查看,没有账号?立即注册

x
本帖最后由 当回首遇上转身 于 2017-4-30 21:01 编辑

系统版本 windows7    python版本3.5.2

网站图片源码没有http:前缀该如何处理?
参考于:小甲鱼python爬虫教程《论一只爬虫的自我修养4:OOXX》
  1. import urllib.request
  2. import os


  3. def url_open(url):
  4.     req =urllib.request.Request(url)
  5.     req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36')
  6.     response = urllib.request.urlopen(url)
  7.     html = response.read()

  8.     print(url)
  9.     return html

  10.    
  11. def get_page(url):
  12.     html = url_open(url).decode('utf-8')

  13.     a = html.find('current-comment-page') + 23
  14.     b = html.find(']',a)

  15.     return html[a:b]

  16.    
  17. def find_imgs(url):
  18.     html = url_open(url).decode('utf-8')
  19.     img_addrs = []

  20.     a = html.find('img src=')
  21.    
  22.     while a!= -1:
  23.         b = html.find('.jpg', a, a+255)
  24.         if b != -1:
  25.             img_addrs.append(html[a+9:b+4])
  26.         else:
  27.             b = a + 9
  28.             
  29.         a = html.find('img src=',b)

  30.     for each in img_addrs:
  31.         print(each)

  32.     return img_addrs

  33.    
  34. def save_imgs(folder, img_addrs):
  35.     for each in img_addrs:
  36.         filename = each.split('/')[-1]
  37.         with open(filename, 'wb') as f:
  38.             img = url_open(each)
  39.             f.write(img)


  40. def download_mm(folder='OOXX', pages=10):
  41.     os.mkdir(folder)
  42.     os.chdir(folder)

  43.     url = "http://jandan.net/ooxx/"
  44.     page_num = int(get_page(url))

  45.     for i in range(pages):
  46.         page_num -= i
  47.         page_url = url + 'page-' + str(page_num) + '#comments'
  48.         img_addrs = find_imgs(page_url)
  49.         save_imgs(folder, img_addrs)

  50.         
  51. if __name__ == '__main__':
  52.     download_mm()
复制代码



显示错误

  1. ============ RESTART: E:\python\practice\2017.4.30\download_mm.py ============
  2. [url]http://jandan.net/ooxx/[/url]
  3. [url]http://jandan.net/ooxx/page-26#comments[/url]
  4. //wx2.sinaimg.cn/mw600/661eb95cly1ff3biqf7yqj20iz0sgq7o.jpg
  5. Traceback (most recent call last):
  6.   File "E:\python\practice\2017.4.30\download_mm.py", line 69, in <module>
  7.     download_mm()
  8.   File "E:\python\practice\2017.4.30\download_mm.py", line 65, in download_mm
  9.     save_imgs(folder, img_addrs)
  10.   File "E:\python\practice\2017.4.30\download_mm.py", line 50, in save_imgs
  11.     img = url_open(each)
  12.   File "E:\python\practice\2017.4.30\download_mm.py", line 7, in url_open
  13.     req =urllib.request.Request(url)
  14.   File "C:\Users\Administrator\AppData\Local\Programs\Python\Python35\lib\urllib\request.py", line 269, in __init__
  15.     self.full_url = url
  16.   File "C:\Users\Administrator\AppData\Local\Programs\Python\Python35\lib\urllib\request.py", line 295, in full_url
  17.     self._parse()
  18.   File "C:\Users\Administrator\AppData\Local\Programs\Python\Python35\lib\urllib\request.py", line 324, in _parse
  19.     raise ValueError("unknown url type: %r" % self.full_url)
  20. ValueError: unknown url type: '//wx2.sinaimg.cn/mw600/661eb95cly1ff3biqf7yqj20iz0sgq7o.jpg'
  21. >>>
复制代码
最佳答案
2017-5-3 12:49:50
本帖最后由 ooxx7788 于 2017-5-6 09:09 编辑

自己在前面加上http呗

33行
img_addrs.append('http:'+tml[a+9:b+4])
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

发表于 2017-4-30 20:32:00 | 显示全部楼层
my python code:

import urllib.request
import os

def url_open(url):
    req = urllib.request.Request(url)
    req.add_header('User-Agent','Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.81 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+255)

         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_img(folder,img_addrs):
    for each in img_addrs:
        filenames = each.split('/')[-1]
        with open(filenames,'wb')as f:
            img = url_open(each)
            f.write(img)

def download_mm(folder='OOXX',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_img(folder,img_addrs)



if __name__ == '__main__':
    download_mm()


出現
ValueError: unknown url type: '//wx2.sinaimg.cn/mw600/661eb95cly1ff3biqf7yqj20iz0sgq7o.jpg'

請教如何解決阿
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2017-5-3 12:49:50 From FishC Mobile | 显示全部楼层    本楼为最佳答案   
本帖最后由 ooxx7788 于 2017-5-6 09:09 编辑

自己在前面加上http呗

33行
img_addrs.append('http:'+tml[a+9:b+4])
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 1 反对 0

使用道具 举报

 楼主| 发表于 2017-5-11 13:51:15 | 显示全部楼层
ooxx7788 发表于 2017-5-3 12:49
自己在前面加上http呗

33行

我自行解决了,不过还是送你一个最佳吧
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2017-8-25 15:21:56 | 显示全部楼层
当回首遇上转身 发表于 2017-5-11 13:51
我自行解决了,不过还是送你一个最佳吧

你怎么解决的???
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2017-9-4 18:38:25 | 显示全部楼层
楼主解决了,也应该把方法发出来啊,给小白普及下。
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

小黑屋|手机版|Archiver|鱼C工作室 ( 粤ICP备18085999号-1 | 粤公网安备 44051102000585号)

GMT+8, 2024-4-25 05:01

Powered by Discuz! X3.4

© 2001-2023 Discuz! Team.

快速回复 返回顶部 返回列表