同时用R语言和Python爬取知乎美图

学习Python已有两月有余，是时候检验下学习效果了，之前练习了不少R语言数据爬取，Python的爬虫模块还没有来得及认真入门，乱拼乱凑就匆忙的开始了，今天就尝试着使用R+Python来进行图片爬取，完成一个简单得小爬虫。

目标网址在这里：

https://www.zhihu.com/question/35931586/answer/206258333

R语言版：

library(rvest) library(downloader) url<-"https://www.zhihu.com/question/35931586/answer/206258333"

link<- read_html(url)%>% html_nodes("div.RichContent-inner>span")%>% html_nodes("img")%>%html_attr("data-original")%>%na.omit #借助Chrome的审查元素功能，借助其路径copy功能精准定位图片所在节点

link<-link[seq(1,length(link),by=2)] #剔除无效网址 Name<-sub("https://pic\\d.zhimg.com/v2-","",link) #提取图片名称 dir.create("D:/R/Image/zhihu/zhihu0807") #建立存储文件夹 setwd("D:/R/Image/zhihu/zhihu0807") #锁定临时目录 for(i in 1:length(link)){ download(link[i],Name[i], mode = "wb") } #下载过程：

-----------

Python:

---------

import requests from bs4 import BeautifulSoup import os import re import urllib

目标网址：

url="https://www.zhihu.com/question/35931586/answer/206258333"

header = {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36'} page=requests.get(url,headers=header) #读取网址 soup=BeautifulSoup(page.text,'lxml') #解析地址

link_list=soup.select("div[class='RichContent-inner'] span img")[::2] #使用CSS选择器提取图片 地址所在节点

os.makedirs("D:/Python/Image/zhihu0807") os.chdir('D:/Python/Image/zhihu0807') for link in link_list: mylink=link.get('data-original') #使用get方法提取图片地址： name=re.findall(r"v2-.*?\.jpg",mylink)[0] #匹配图片名称 urllib.request.urlretrieve(mylink,name) #下载

完整代码：

R语言版：

library(rvest) library(downloader) url<-"https://www.zhihu.com/question/35931586/answer/206258333" link<- read_html(url)%>% html_nodes("div.RichContent-inner>span")%>%html_nodes("img")%>%html_attr("data-original")%>%na.omit link<-link[seq(1,length(link),by=2)] #剔除无效网址 Name<-sub("https://pic\\d.zhimg.com/v2-","",link) #提取图片名称 dir.create("D:/R/Image/zhihu/zhihu0807") #建立存储文件夹 setwd("D:/R/Image/zhihu/zhihu0807") #锁定临时目录 for(i in 1:length(link)){ download(link[i],Name[i], mode = "wb") } #下载过程：

Python版：

import requests from bs4 import BeautifulSoup import os import re import urllib url="https://www.zhihu.com/question/35931586/answer/206258333" header = {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36'} page=requests.get(url,headers=header) soup=BeautifulSoup(page.text,'lxml') link_list=soup.select("div[class='RichContent-inner'] span img")[::2] os.makedirs("D:/Python/Image/zhihu0807") os.chdir('D:/Python/Image/zhihu0807') for link in link_list: mylink=link.get('data-original') name=re.findall(r"v2-.*?\.jpg",mylink)[0] urllib.request.urlretrieve(mylink,name)