python爬虫之淘宝宝贝图片抓取

　　写在前面的话：家里有人开淘宝店，作为一个小的淘宝店主，经常要做的就是从别人的店铺（当然是批发商）把图片一张一张存下来。然后再自己做ps做好看一点，再上架。这样存图什么的，挺烦人的，刚好最近在学习python，发现这东西，真心的那叫一个方便。

　　总的来说，其实也并没有什么技术含量，只是熟悉一下python的语言和正则表达式的使用。

　　主要步骤 ：

　　1、当然是抓取页面html代码 

import urllib
import urllib2

#获取html代码
def getHtml(url):
    request = urllib2.Request(url , headers = headers)
    try:
        response = urllib2.urlopen(request)
        html = response.read()
        return html
    except urllib2.URLError,e:
        print e.reason

　　2、分析页面中的详情图片部分和主图部分

　　 淘宝的html页面相当的整齐，可读性不错。很快就可以找到，他们的描述页位置：descUrl  .. location.protocol = 'http:.......'

可以写一个正则表达式，提取出来　

import re

#提取描述url
def descUrl(html):
    reg = r"descUrl.*?location.protocol==='http:' ? '//(.*?)'.?:"
    desurlre = re.compile(reg,re.I)
    desurl = re.findall(desurlre , html)
    return desurl

　　　　再获取这个详情页地址，就可以提取出所有的图片地址了。

#提取所有图片
def getImglist(html):
    reg = r'src="(.*?)"'
    imgre = re.compile(reg,re.I)
    imglist = re.findall(imgre , html)
    return imglist

　　3、下载图片

      获取到了图片的url后，当然就是把图片下下来，这里做一个指定路径的保存方法。

因此再加一个创建路径

#目录是否存在，不存在则创建
def createDir(path):
    if not os.path.exists(path):
        os.makedirs(path)
    else:
        if os.path.isfile(path):
            os.mkdir(path)

　　保存图片

#保存所有图片
def saveImgTo(imglist , path):
    createDir(path)
    imgIndex = 1
    for imgurl in imglist:
        splist = imgurl.split('.')
        filetype = splist[len(splist)-1]
        print "saving " + imgurl
        try:
            urllib.urlretrieve(imgurl , path + "/"+ str(imgIndex) + '.' + filetype )
            imgIndex += 1
            print "==> ok!"
        except:
            print "==> err!!!!!!"

　　以下为一份完整代码，传入存储路径，保存下url.txt 中所有url的淘宝或其他网页图片。新手上路，写的不好的地方轻拍：

#coding=utf-8

import re
import urllib
import urllib2
import cookielib
import StringIO, gzip
import os
import sys

headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.63 Safari/537.36'
}


#解压gzip  
def gzdecode(data) :  
    compressedstream = StringIO.StringIO(data)  
    gziper = gzip.GzipFile(fileobj=compressedstream)    
    data2 = gziper.read()   # 读取解压缩后数据   
    return data2 
    
#获取html代码
def getHtml(url):
    request = urllib2.Request(url , headers = headers)
    try:
        response = urllib2.urlopen(request)
        html = response.read()
        return html
    except urllib2.URLError,e:
        print e.reason

#目录是否存在，不存在则创建
def createDir(path):
    if not os.path.exists(path):
        os.makedirs(path)
    else:
        if os.path.isfile(path):
            os.mkdir(path)

#提取描述url
def descUrl(html):
    reg = r"descUrl.*?location.protocol==='http:' ? '//(.*?)'.?:"
    desurlre = re.compile(reg,re.I)
    desurl = re.findall(desurlre , html)
    return desurl

#提取所有图片
def getImglist(html):
    reg = r'src="(.*?)"'
    imgre = re.compile(reg,re.I)
    imglist = re.findall(imgre , html)
    return imglist
#提取主图
def getTitleImg(html, path):
    createDir(path)
    reg = r'auctionImages.*?[(.*?)]'
    imgre = re.compile(reg,re.I)
    titleImg = re.findall(imgre , html)
    titleImg = titleImg[0]
    imglist = titleImg.split(',')
    titleIndex = 1
    for imgurl in imglist:
        print "img ==== >  " + imgurl
        imgurl = imgurl.strip('"')
        imgurl = 'http:' + imgurl
        print imgurl
        splist = imgurl.split('.')
        filetype = splist[len(splist)-1]
        try:
                urllib.urlretrieve(imgurl , path + "/title"+ str(titleIndex) + '.' + filetype )
                titleIndex += 1
                print "==> ok!"
        except:
               print "==> err!!!!!!"

#保存所有图片
def saveImgTo(imglist , path):
    createDir(path)
    imgIndex = 1
    for imgurl in imglist:
        splist = imgurl.split('.')
        filetype = splist[len(splist)-1]
        print "saving " + imgurl
        try:
            urllib.urlretrieve(imgurl , path + "/"+ str(imgIndex) + '.' + filetype )
            imgIndex += 1
            print "==> ok!"
        except:
            print "==> err!!!!!!"

#从一个淘宝页面，得到详情图片
def getTaoBaoImg(url ,savePath):
    html = getHtml(url)
    getTitleImg(html , savePath)
    desurl = descUrl(html)
    desurl = "http://" + desurl[0]
    print "desurl = " +  desurl
    print "----------------------------------------------------------"
    #得到淘贝详情html
    desHtml = getHtml(desurl)
    imglist = getImglist(desHtml)
    saveImgTo(imglist , savePath)
#-------------------------------------我是华丽的分界线 begin Other-----------------------------------------
#提取其他详情图片列表
def getOtherImgurllist(html):
    reg = r'src="(.*?)"'
    desre = re.compile(reg,re.S)
    imgurllist = re.findall(desre , html)
    return imgurllist
    

#从其他提取详情图片
def getOtherImg(url , savePath):
    html = getHtml(url)
    imglist = getOtherImgurllist(html)
    saveImgTo(imglist , savePath)

#提取其他主图
def getOthertitleImg(html, savePath):
    print "todo:"

#-------------------------------------我是华丽的分界线 end Other-----------------------------------------
    
#保存原地址
def saveUrl(url , savePath):
    output = open( savePath + "/url.htm" , "w")
    output.write("""<html>
<head>
<meta http-equiv="Content-Language" content="zh-CN">
<meta HTTP-EQUIV="Content-Type" CONTENT="text/html; charset=gb2312">
<meta http-equiv="refresh" content="0.1;url=""" + url + """">
<title></title>
</head>
<body>
</body>
</html>""")
    output.close()

    
savepath = "img"

input = open('url.txt', 'r')

urls = input.read( )
urls = urls.split('
')
print urls

if len(sys.argv)>1 and sys.argv[1]:
    savepath = sys.argv[1]

print savepath

urlIndex = 1
for url in urls:
    if len(url) < 10:
        continue
    urlSavePath = savepath + '/' + str(urlIndex)
    createDir(urlSavePath)
    saveUrl(url , urlSavePath)
    print '*'*50
    print url
    if url.find('taobao') != -1:
        getTaoBaoImg(url , urlSavePath)
    else:
        getOtherImg(url , urlSavePath)
    urlIndex += 1

print "success!"