使用python爬取包图网图片和视频

目标：抓取包图网全站视频数据保存在本地，并以网站视频名命名视频文件。
网址：https://ibaotu.com/shipin/7-0-0-0-0-1.html
爬取第一步--检查 robots.txt
一般而言，大部分网站都会定义robots.txt 文件，该文件就是给 网络爬虫 了解爬取限制(一般建议遵守robots.txt 文件里面的限制）

如何查看这个 robots.txt 文件？
==在 目标网站站点域名 后面加上 robots.txt 即可。
https://ibaotu.com/shipin/7-0-0-0-0-1.html/robots.txt

无爬取限制

我们进入网站，点击下一页：

包图网第二页

可以发现，网址变成了：https://ibaotu.com/shipin/7-0-0-0-0-2.html
所以，抓取一个网站的内容，我们需要从以下几方面入手：
1-如何抓取网站的下一页链接？
2-目标资源是静态还是动态(视频、图片等)
3-该网站的数据结构格式

原文链接  https://blog.csdn.net/q469587851/article/details/86574476

import requests
from lxml import etree
import threadingclass Spider(object):def __init__(self):self.headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"}self.offset = 1def start_work(self, url):print("正在爬取第 %d 页......" % self.offset)self.offset += 1response = requests.get(url=url,headers=self.headers)html = response.content.decode()html = etree.HTML(html)video_src = html.xpath('//div[@class="video-play"]/video/@src')video_title = html.xpath('//span[@class="video-title"]/text()')next_page = "http:" + html.xpath('//a[@class="next"]/@href')[0]# 爬取完毕...if next_page == "http:":returnself.write_file(video_src, video_title)self.start_work(next_page)def write_file(self, video_src, video_title):for src, title in zip(video_src, video_title):response = requests.get("http:"+ src, headers=self.headers)file_name = title + ".mp4"file_name = "".join(file_name.split("/"))print("正在抓取%s" % file_name)with open(file_name, "wb") as f:f.write(response.content)if __name__ == "__main__":spider = Spider()for i in range(0,3):# spider.start_work(url="https://ibaotu.com/shipin/7-0-0-0-"+ str(i) +"-1.html")t = threading.Thread(target=spider.start_work, args=("https://ibaotu.com/shipin/7-0-0-0-"+ str(i) +"-1.html",))t.start()

代码导入以后，初步执行了一下，报了如下的错：

微信图片_20180822141427.png

微信图片_20180822141438.png

发现是缺少Python模块，类似就是缺少Java的Jar包的意思，所以解决方法如下：
找到python安装的目录，我的是E:/Python，由于是Windows系统，所以：

①cmd

②cd E:/Python

③pip install requests

等待系统自动加载安装，安装好以后，又报了图2的错，所以再执行一次终端命令，把③改为pip install lxml，导入lxml。由于python 3.5之后的lxml模块里面不再包含etree，部分lxml模块不再支持etree方法，因此可能会报错如下：

image.png

这个报错亲试不影响代码执行，但是看着还是不舒服，故而解决办法如下，该行代码注释，换成3和4两行即可：

image.png

然后运行代码:

image.png

抓取成功！！！！