## 最新动态 > 更新时间：2015/8/2 > > 最近好多读者反映代码已经不能用了，原因是淘宝索引页的MM链接改了。网站改版了，URL的索引已经和之前的不一样了，之前可以直接跳转到每个MM的个性域名，现在中间加了一个跳转页，本以为可以通过这个页面然后跳转到原来的个性域名，而经过一番折腾发现，这个跳转页中的内容是JS动态生成的，所以不能用Urllib库来直接抓取了，本篇就只提供学习思路，代码不能继续用了。 > > 之后博主会利用其它方法来尝试解决，如果解决，第一时间更新！谢谢大家！ > 更新时间：2016/3/26 > > 如上问题已解决，利用 PhantomJS的动态解析即可完成。因为 PySpider 同样支持 PhantomJS，所以我直接利用了 PySpider 来完成，解决方案如下 > > [解决方案](http://cuiqingcai.com/2652.html) > > 另外如果不想使用框架，可以直接利用 Selenium + PhantomJS 来解析，同样方便，解决方案可以参考 > > [动态解析解决方案](http://cuiqingcai.com/2599.html) ## 本篇目标 1.抓取淘宝MM的姓名，头像，年龄 2.抓取每一个MM的资料简介以及写真图片 3.把每一个MM的写真图片按照文件夹保存到本地 4.熟悉文件保存的过程 ## 1.URL的格式 在这里我们用到的URL是 [http://mm.taobao.com/json/request_top_list.htm?page=1](http://mm.taobao.com/json/request_top_list.htm?page=1)，问号前面是基地址，后面的参数page是代表第几页，可以随意更换地址。点击开之后，会发现有一些淘宝MM的简介，并附有超链接链接到个人详情页面。 我们需要抓取本页面的头像地址，MM姓名，MM年龄，MM居住地，以及MM的个人详情页面地址。 ## 2.抓取简要信息 相信大家经过上几次的实战，对抓取和提取页面的地址已经非常熟悉了，这里没有什么难度了，我们首先抓取本页面的MM详情页面地址，姓名，年龄等等的信息打印出来，直接贴代码如下 ~~~ __author__ = 'CQC' # -*- coding:utf-8 -*- import urllib import urllib2 import re class Spider:     def __init__(self):         self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'     def getPage(self,pageIndex):         url = self.siteURL + "?page=" + str(pageIndex)         print url         request = urllib2.Request(url)         response = urllib2.urlopen(request)         return response.read().decode('gbk')     def getContents(self,pageIndex):         page = self.getPage(pageIndex)         pattern = re.compile('(.*?).*?(.*?).*?(.*?)',re.S)         items = re.findall(pattern,page)         for item in items:             print item[0],item[1],item[2],item[3],item[4] spider = Spider() spider.getContents(1) ~~~ 运行结果如下 [](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/QQ%E6%88%AA%E5%9B%BE20150220234132.jpg) ##  2.文件写入简介 在这里，我们有写入图片和写入文本两种方式 ### 1）写入图片 ~~~ #传入图片地址，文件名，保存单张图片 def saveImg(self,imageURL,fileName):      u = urllib.urlopen(imageURL)      data = u.read()      f = open(fileName, 'wb')      f.write(data)      f.close() ~~~ ### 2）写入文本 ~~~ def saveBrief(self,content,name):     fileName = name + "/" + name + ".txt"     f = open(fileName,"w+")     print u"正在偷偷保存她的个人信息为",fileName     f.write(content.encode('utf-8')) ~~~ ### 3）创建新目录 ~~~ #创建新目录 def mkdir(self,path):     path = path.strip()     # 判断路径是否存在     # 存在     True     # 不存在   False     isExists=os.path.exists(path)     # 判断结果     if not isExists:         # 如果不存在则创建目录         # 创建目录操作函数         os.makedirs(path)         return True     else:         # 如果目录存在则不创建，并提示目录已存在         return False ~~~ ## 3.代码完善 主要的知识点已经在前面都涉及到了，如果大家前面的章节都已经看了，完成这个爬虫不在话下，具体的详情在此不再赘述，直接帖代码啦。 ~~~ spider.py ~~~ ~~~ __author__ = 'CQC' # -*- coding:utf-8 -*- import urllib import urllib2 import re import tool import os #抓取MM class Spider:     #页面初始化     def __init__(self):         self.siteURL = 'http://mm.taobao.com/json/request_top_list.htm'         self.tool = tool.Tool()     #获取索引页面的内容     def getPage(self,pageIndex):         url = self.siteURL + "?page=" + str(pageIndex)         request = urllib2.Request(url)         response = urllib2.urlopen(request)         return response.read().decode('gbk')     #获取索引界面所有MM的信息，list格式     def getContents(self,pageIndex):         page = self.getPage(pageIndex)         pattern = re.compile('(.*?).*?(.*?).*?(.*?)',re.S)         items = re.findall(pattern,page)         contents = []         for item in items:             contents.append([item[0],item[1],item[2],item[3],item[4]])         return contents     #获取MM个人详情页面     def getDetailPage(self,infoURL):         response = urllib2.urlopen(infoURL)         return response.read().decode('gbk')     #获取个人文字简介     def getBrief(self,page):         pattern = re.compile('(.*?),re.S)         result = re.search(pattern,page)         return self.tool.replace(result.group(1))     #获取页面所有图片     def getAllImg(self,page):         pattern = re.compile('(.*?),re.S)         #个人信息页面所有代码         content = re.search(pattern,page)         #从代码中提取图片         patternImg = re.compile(',re.S)         images = re.findall(patternImg,content.group(1))         return images     #保存多张写真图片     def saveImgs(self,images,name):         number = 1         print u"发现",name,u"共有",len(images),u"张照片"         for imageURL in images:             splitPath = imageURL.split('.')             fTail = splitPath.pop()             if len(fTail) > 3:                 fTail = "jpg"             fileName = name + "/" + str(number) + "." + fTail             self.saveImg(imageURL,fileName)             number += 1     # 保存头像     def saveIcon(self,iconURL,name):         splitPath = iconURL.split('.')         fTail = splitPath.pop()         fileName = name + "/icon." + fTail         self.saveImg(iconURL,fileName)     #保存个人简介     def saveBrief(self,content,name):         fileName = name + "/" + name + ".txt"         f = open(fileName,"w+")         print u"正在偷偷保存她的个人信息为",fileName         f.write(content.encode('utf-8'))     #传入图片地址，文件名，保存单张图片     def saveImg(self,imageURL,fileName):          u = urllib.urlopen(imageURL)          data = u.read()          f = open(fileName, 'wb')          f.write(data)          print u"正在悄悄保存她的一张图片为",fileName          f.close()     #创建新目录     def mkdir(self,path):         path = path.strip()         # 判断路径是否存在         # 存在     True         # 不存在   False         isExists=os.path.exists(path)         # 判断结果         if not isExists:             # 如果不存在则创建目录             print u"偷偷新建了名字叫做",path,u'的文件夹'             # 创建目录操作函数             os.makedirs(path)             return True         else:             # 如果目录存在则不创建，并提示目录已存在             print u"名为",path,'的文件夹已经创建成功'             return False     #将一页淘宝MM的信息保存起来     def savePageInfo(self,pageIndex):         #获取第一页淘宝MM列表         contents = self.getContents(pageIndex)         for item in contents:             #item[0]个人详情URL,item[1]头像URL,item[2]姓名,item[3]年龄,item[4]居住地             print u"发现一位模特,名字叫",item[2],u"芳龄",item[3],u",她在",item[4]             print u"正在偷偷地保存",item[2],"的信息"             print u"又意外地发现她的个人地址是",item[0]             #个人详情页面的URL             detailURL = item[0]             #得到个人详情页面代码             detailPage = self.getDetailPage(detailURL)             #获取个人简介             brief = self.getBrief(detailPage)             #获取所有图片列表             images = self.getAllImg(detailPage)             self.mkdir(item[2])             #保存个人简介             self.saveBrief(brief,item[2])             #保存头像             self.saveIcon(item[1],item[2])             #保存图片             self.saveImgs(images,item[2])     #传入起止页码，获取MM图片     def savePagesInfo(self,start,end):         for i in range(start,end+1):             print u"正在偷偷寻找第",i,u"个地方，看看MM们在不在"             self.savePageInfo(i) #传入起止页码即可，在此传入了2,10,表示抓取第2到10页的MM spider = Spider() spider.savePagesInfo(2,10) ~~~ ~~~ tool.py ~~~ ~~~ __author__ = 'CQC' #-*- coding:utf-8 -*- import re #处理页面标签类 class Tool:     #去除img标签,1-7位空格,      removeImg = re.compile('| {1,7}| ')     #删除超链接标签     removeAddr = re.compile('|')     #把换行的标签换为\n     replaceLine = re.compile('|||')     #将表格制表替换为\t     replaceTD= re.compile('')     #将换行符或双换行符替换为\n     replaceBR = re.compile('|')     #将其余标签剔除     removeExtraTag = re.compile('')     #将多行空行删除     removeNoneLine = re.compile('\n+')     def replace(self,x):         x = re.sub(self.removeImg,"",x)         x = re.sub(self.removeAddr,"",x)         x = re.sub(self.replaceLine,"\n",x)         x = re.sub(self.replaceTD,"\t",x)         x = re.sub(self.replaceBR,"\n",x)         x = re.sub(self.removeExtraTag,"",x)         x = re.sub(self.removeNoneLine,"\n",x)         #strip()将前后多余内容删除         return x.strip() ~~~ 以上两个文件就是所有的代码内容，运行一下试试看，那叫一个酸爽啊 [](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/QQ%E6%88%AA%E5%9B%BE20150221020543.jpg) 看看文件夹里面有什么变化 [](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/QQ%E6%88%AA%E5%9B%BE20150221020709.jpg) [](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/QQ%E6%88%AA%E5%9B%BE20150221021032.jpg) 不知不觉，海量的MM图片已经进入了你的电脑，还不快快去试试看！！ 代码均为本人所敲，写的不好，大神勿喷，写来方便自己，同时分享给大家参考！希望大家支持！