Python爬虫新手教程-知乎文章图片爬取器

1. 知乎文章图片爬取器之二博客背景

昨天写了知乎文章图片爬取器的一部分代码，针对知乎问题的答案 json 进行了数据抓取，博客中出现了部分写死的内容，今天把那部分信息调整完毕，并且将图片下载完善到代码中去。

首先，需要获取任意知乎的问题，只需要你输入问题的 ID，就可以获取相关的页面信息，比如最重要的合计有多少人回答问题。
问题 ID 为如下标红数字

编写代码，下面的代码用来检测用户输入的是否是正确的 ID，并且通过拼接 URL 去获取该问题下面合计有多少答案。

import requests
import re
import pymongo
import time
DATABASE_IP = '127.0.0.1'
DATABASE_PORT = 27017
DATABASE_NAME = 'sun'
client = pymongo.MongoClient(DATABASE_IP,DATABASE_PORT)
db = client.sun
db.authenticate("dba", "dba")
collection = db.zhihuone  # 准备插入数据
 
BASE_URL = "https://www.zhihu.com/question/{}"
def get_totle_answers(article_id):
    headers = {"user-agent": "需要自己补全 Mozilla/5.0 (Windows NT 10.0; WOW64)"
    }
 
    with requests.Session() as s:
        with s.get(BASE_URL.format(article_id),headers=headers,timeout=3) as rep:
            html = rep.text
            pattern =re.compile('<meta itemProp="answerCount"content="(\d*?)"/>')
            s = pattern.search(html)
            print("查找到 {} 条数据".format(s.groups()[0]))
            return s.groups()[0]
 
if __name__ == '__main__':
 
    # 用死循环判断用户输入的是否是数字
    article_id = ""
    while not article_id.isdigit():
        article_id = input("请输入文章 ID：")
 
    totle = get_totle_answers(article_id)
    if int(totle)>0:
        zhi = ZhihuOne(article_id,totle)
        zhi.run()
    else:
        print("没有任何数据！")
Python 资源分享 qun 784758214 , 内有安装包，PDF，学习视频，这里是 Python 学习者的聚集地，零基础，进阶，都欢迎

完善图片下载部分，图片下载地址在查阅过程中发现，存在 json 字段的 content 中，我们采用简单的正则表达式将他匹配出来。细节如下图展示

编写代码吧，下面的代码注释请仔细阅读，中间有一个小 BUG，需要手动把 pic3 修改为 pic2 这个地方目前原因不明确，可能是我本地网络的原因，还有请在项目根目录先创建一个 imgs 的文件夹，用来存储图片

    def download_img(self,data):
        ## 下载图片
        for item in data["data"]:
            content = item["content"]
            pattern = re.compile('<noscript>(.*?)</noscript>')
            imgs = pattern.findall(content)
            if len(imgs) > 0:
                for img in imgs:
                    match = re.search('<img src="(.*?)"', img)
                    download = match.groups()[0]
                    download = download.replace("pic3", "pic2")  # 小 BUG,pic3 的下载不到
 
                    print("正在下载{}".format(download), end="")
                    try:
                        with requests.Session() as s:
                            with s.get(download) as img_down:
                                # 获取文件名称
                                file = download[download.rindex("/") + 1:]
 
                                content = img_down.content
                                with open("imgs/{}".format(file), "wb+") as f:  # 这个地方进行了硬编码
                                    f.write(content)
 
                                print("图片下载完成", end="\n")
 
                    except Exception as e:
                        print(e.args)
 
            else:
                pass
Python 资源分享 qun 784758214 , 内有安装包，PDF，学习视频，这里是 Python 学习者的聚集地，零基础，进阶，都欢迎

运行结果为

然后在玩知乎的过程中，发现了好多好问题