三岁不会也在努力，大家一起加油！飞桨学院第二天我们一起来看看
对文章中源码进行了解析，采用了注释的方法，有问题的可以私聊，或联系我，有问题欢迎交流，文章末尾，有福利自己细品！
题目速看
！！！作业说明！！！
1.请在下方提示位置，补充代码，完成《青春有你2》选手图片爬取，将爬取图片进行保存，保证代码正常运行
2.打印爬取的所有图片的绝对路径，以及爬取的图片总数，此部分已经给出代码。请在提交前，一定要保证有打印结果，如下图所示：
收集数据，尤其是有标签、高质量的数据是一件昂贵的工作。
爬虫的过程，就是模仿浏览器的行为，往目标站点发送请求，接收服务器的响应数据，提取需要的信息，并进行保存的过程。
Python为爬虫的实现提供了工具:requests模块、BeautifulSoup库
任务描述
本次实践使用Python来爬取百度百科中《青春有你2》所有参赛选手的信息。
数据获取：https://baike.baidu.com/item/青春有你第二季
题目原有代码
#导入第三方库
import json
import re
import requests
import datetime
from bs4 import BeautifulSoup
import os
#获取当天的日期,并进行格式化,用于后面文件命名，格式:20200420
today = datetime.date.today().strftime('%Y%m%d')
def crawl_wiki_data():
"""
爬取百度百科中《青春有你2》中参赛选手信息，返回html
"""
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'
}
url='https://baike.baidu.com/item/青春有你第二季'
try:#预防报错采用异常处理确保软件稳定性
response = requests.get(url,headers=headers)#爬取页码
print(response.status_code)#输出页码访问情况（如果正确一般是200）
#将一段文档传入BeautifulSoup的构造方法,就能得到一个文档的对象, 可以传入一段字符串
soup = BeautifulSoup(response.text,'lxml')
#返回的是class为table-view log-set-param的<table>所有标签
tables = soup.find_all('table',{'class':'table-view log-set-param'})
crawl_table_title = "参赛学员"
for table in tables:
#对当前节点前面的标签和字符串进行查找
#定位到我们所需要的内容上
table_titles = table.find_previous('div').find_all('h3')
for title in table_titles:
if(crawl_table_title in title):
return table
except Exception as e:
print(e)#输出报错原因（种类）
def parse_wiki_data(table_html):
'''
从百度百科返回的html中解析得到选手信息，以当前日期作为文件名，存JSON文件,保存到work目录下
'''
bs = BeautifulSoup(str(table_html),'lxml')#用bs4进行解析
all_trs = bs.find_all('tr')#获取所有的'tr'标签
error_list = ['\'','\"']
stars = []
for tr in all_trs[1:]:#循环除了第一个‘tr’标签以外的内容
all_tds = tr.find_all('td')
star = {}
#获取并保存数据
#姓名
star["name"]=all_tds[0].text
#个人百度百科链接
star["link"]= 'https://baike.baidu.com' + all_tds[0].find('a').get('href')
#籍贯
star["zone"]=all_tds[1].text
#星座
star["constellation"]=all_tds[2].text
#身高
star["height"]=all_tds[3].text
#体重
star["weight"]= all_tds[4].text
#花语,去除掉花语中的单引号或双引号
flower_word = all_tds[5].text
for c in flower_word:
if c in error_list:
flower_word=flower_word.replace(c,'')
star["flower_word"]=flower_word
#公司
if not all_tds[6].find('a') is None:
star["company"]= all_tds[6].find('a').text
else:
star["company"]= all_tds[6].text
stars.append(star)
json_data = json.loads(str(stars).replace("\'","\""))
#此处的work修改为电脑实际位置如：./ #(本目录下)
with open('work/' + today + '.json', 'w', encoding='UTF-8') as f:
json.dump(json_data, f, ensure_ascii=False)
def crawl_pic_urls():
'''
爬取每个选手的百度百科图片，并保存
'''
#修改此处位置
with open('work/'+ today + '.json', 'r', encoding='UTF-8') as file:
json_array = json.loads(file.read())
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'
}
for star in json_array:
name = star['name']
link = star['link']
#！！！请在以下完成对每个选手图片的爬取，将所有图片url存储在一个列表pic_urls中！！！
'''
需要输入的内容！！！
'''
#！！！根据图片链接列表pic_urls, 下载所有图片，保存在以name命名的文件夹中！！！
down_pic(name,pic_urls)
def down_pic(name,pic_urls):
'''
根据图片链接列表pic_urls, 下载所有图片，保存在以name命名的文件夹中,
'''
#修改实际位置
path = 'work/'+'pics/'+name+'/'
if not os.path.exists(path):#如果文件不存在则创建
os.makedirs(path)
for i, pic_url in enumerate(pic_urls):循环列表并输出列表内的编码
try:#异常处理
pic = requests.get(pic_url, timeout=15)
string = str(i + 1) + '.jpg'
with open(path+string, 'wb') as f:#打开文件保存并关闭
f.write(pic.content)
print('成功下载第%s张图片: %s' % (str(i + 1), str(pic_url)))
except Exception as e:
print('下载第%s张图片时失败: %s' % (str(i + 1), str(pic_url)))
print(e)
continue
def show_pic_path(path):
'''
遍历所爬取的每张图片，并打印所有图片的绝对路径
'''
pic_num = 0
for (dirpath,dirnames,filenames) in os.walk(path):
for filename in filenames:
pic_num += 1
print("第%d张照片：%s" % (pic_num,os.path.join(dirpath,filename)))
print("共爬取《青春有你2》选手的%d照片" % pic_num)
if __name__ == '__main__':#主函数
#爬取百度百科中《青春有你2》中参赛选手信息，返回html
html = crawl_wiki_data()
#解析html,得到选手信息，保存为json文件
parse_wiki_data(html)
#从每个选手的百度百科页面上爬取图片,并保存
crawl_pic_urls()
#打印所爬取的选手图片路径
#修改到实际位置
show_pic_path('/home/aistudio/work/pics/')
print("所有信息爬取完成！")
内容解析
上面的代码把《青春有你2》的百度百科页面进行了解析，提取每个练习生的百科地址
然后是我们填写的内容
下面是下载图片，保存图片然后是输出目录下面的文件名字
总体思路
先行爬取页面然后根据页面找到图库地址
在这里插入图片描述
找到地址分析
这个地址需要拼接，拼接好以后，就可以使用了。
拼接好以后request到页面
找到有关地址进行分析，然后把地址获取下来放到列表即可。
#小编源码，有许多输出测试
pic_urls = []#新建列表每次循环初始化
r = requests.get(link, headers= headers)#获取每个页面的信息
#print(r.text)
soup = BeautifulSoup(r.text, 'lxml')#解析页面
# print(soup)
migs = soup.find_all('div', class_='summary-pic')
#print(migs)
migs = migs[0].a.get('href')#获取链接的部分内容
if 'http' not in migs:#避免其他内容干扰报错
# print(migs)
url = f'http://baike.baidu.com{migs}'#拼接链接
# print(url)
photo_r = requests.get(url, headers= headers)#获取链接页面
# print(photo_r.text)
photo_soup = BeautifulSoup(photo_r.text, 'lxml')#解析页面
photo_urls = photo_soup.find_all('a', class_='pic-item')#解析页面
for photo_url in photo_urls:
print(photo_url)
try:
photo_url = photo_url.img.get('src')#获取图片地址
pic_urls.append(photo_url)#放入列表
except:
continue
结果查看
基本上符合标准（目标482张我这里改了地址多了一个join文件）
注意内容
在里面因为是远端文件所有的地址需要修改改到实际是电脑的位置，小编已经给了标注大家注意！！！
今天的内容就到这里了，明天再见，不不不明天小编就肝秃了。
上图自己领会
