pc5.py

#-*- coding:utf-8 -*- http://www.aichengxu.com
import urllib2
import re
import requests
from lxml import etree
 
links=[]                       
k=1　
print 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&ie=utf-8&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"]/@href')　　　　　　　　#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"]/@src')　　　　#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1
 
print u'下载完成!'