今天在使用正则表达式时未能解决实际问题，于是使用bs4库完成匹配，通过反复测试，最终解决了实际的问题，加深了对bs4.BeautifulSoup模块的理解。
爬取流程
前奏：
分析糗事百科热图板块的网址，因为要进行翻页爬取内容，所以分析不同页码的网址信息是必要的
具体步骤：
１，获取网页内容（urllib.request）# 糗事百科有发爬虫技术，所以要添加headers,伪装程浏览器
２，解析网页内容，获取图片链接（from bs4 import BeautifulSoup）
３，通过图片链接下载图片（urllib.request），并存储到本地
备注：
具体的爬取说明在代码都有详细的解释
1 import urllib.request
2 import requests
3 from bs4 import BeautifulSoup
4 # import re
5 import gevent
6 from gevent import monkey
7 import bs4
8
9 monkey.patch_all()
10
11
12 def get_html_text(url, raw_html_text, depth):
13
14 # 爬取网页数据
15
16 # 糗事百科有反爬虫机制，需要设置请求头伪装成浏览器
17 hd = ('User-Agent','Mozilla/5.0(Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Ch rome/49.0.2623.22 Safari/537.36 SE 2.X MetaSr 1.0')
18
19 # 创建opener对象
20 opener = urllib.request.build_opener()
21 opener.addheaders = [hd]
22
23 # 将opener对象设置为全局
24 urllib.request.install_opener(opener)
25
26 # 翻页爬取html_text
27 for i in range(depth):
28 # 根据对网址的分析，构造符合翻页时的网址
29 url_real = url + str(i+1)
30 try:
31 html_data = urllib.request.urlopen(url_real).read().decode('utf-8', 'ignore')
32 raw_html_text.append(html_data)
33 # 测试代码
34 # print(len(html_data))
35 except Exception as result:
36 print('错误类型：', result)
37
38 print('提取网页信息完成...')
39 return raw_html_text
40 # 测试代码
41 # print(len(raw_html_text))
42
43
44 def parser_html_text(raw_html_text, done_img):
45
46 # 对爬取的网页数据进行遍历
47
48 for html_text in raw_html_text:
49 # 使用BeautifulSoup对网页进行解析
50 soup = BeautifulSoup(html_text, 'html.parser')
51 # 使用soup.find_all('div','thumb') 查找出每个网页中所有标签是div,属性值是thumb的标签
52 # 通过对网页源代码的分析，图片信息都存储在该标签下的孙子标签img中的属性class="lazy" data-src中
53 # 遍历每个div标签
54 for tag in soup.find_all('div', 'thumb'):
55 # 判断 tag 是否是bs4.element.Tag属性，因为在标签div下，并不是全部是标签
56 if isinstance(tag, bs4.element.Tag):
57 # 遍历每个div标签下的所有孙子标签
58 for img in tag.descendants:
59 # 判断标签的名字是不是‘img’,如果是,取出标签中属性class="lazy" data-src的属性值。
60 if img.name == 'img':
61 link = img.get('class="lazy" data-src')
62 done_img.append(link)
63 #测试代码
64 #print(done_img)
65 print('网页解析完成...')
66 return done_img
67
68 def save_crawler_data(done_img):
69 # 将目标文本存储到本地‘./’表示当前目录
70 path = './img/'
71 # enumerate(list) 返回索引及索引对应的列表内的元素
72 for i,j in enumerate(done_img):
73 # 分析爬取的链接，前面缺少‘https:’,使用字符串拼接
74 j ='https:' + j
75 # 通过urllib.request.urlopen()下载图片
76 try:
77 img_data = urllib.request.urlopen(j).read()
78 path_real = path + str(i+1)
79 with open(path_real, 'wb') as f:
80 f.write(img_data)
81 except:
82 continue
83 print('图片存储完成')
84
85
86 def main():
87 url = 'https://www.qiushibaike.com/imgrank/page/'
88 depth = 20
89 raw_html_text = list()
90 done_img = list()
91 Raw_html_text = get_html_text(url, raw_html_text, depth)
92 Done_img = parser_html_text(Raw_html_text, done_img)
93 gevent.joinall([
94 gevent.spawn(get_html_text,url,raw_html_text,depth),
95 gevent.spawn(parser_html_text,Raw_html_text,done_img),
96 gevent.spawn(save_crawler_data,Done_img)
97 ])
98
99 save_crawler_data(done_img)
100
101
102 if __name__ == '__main__':
103 main()
