Python2实现百度贴吧指定关键字与图片抓取教程

Finn

发布时间：2026-10-13 | 2人浏览过

原创

本文介绍使用Python2编写脚本抓取百度贴吧指定关键字及楼主图片的完整流程。通过构造分页URL、解析帖子链接并提取图片地址，实现本地保存。重点解决因服务器返回数据差异导致的XPath匹配失败问题，建议采用IE浏览器User-Agent以提高兼容性。

百度贴吧图片抓取项目概述

本项目的目标是在百度贴吧中指定关键字，并设定起始和结束的页码范围，从而获取该范围内帖子中楼主发布的所有图片。

核心实现思路

实现思路如下：

首先，需要获取分页列表中各个帖子的链接。
其次，从每个帖子中提取楼主发布的图片链接列表。
最后，将这些图片下载并保存到本地文件夹中。

常见问题与解决方案

在开发过程中需注意以下事项：

常见问题：在使用谷歌浏览器配合xpath helper插件时，能够正确匹配到元素，但在Python程序中调用内置的xpath匹配功能时，却返回空值。
原因分析：不同的服务器会根据请求来源的浏览器类型返回不同的数据内容。这导致在谷歌浏览器前端看到的数据与服务器实际返回给程序的数据存在差异，从而引发匹配失败。
解决方案：在请求头中设置IE浏览器的User-Agent。通常情况下，使用较老版本的IE浏览器User-Agent，出现匹配报错的概率相对较低，兼容性更好。

完整Python2代码实现


#!/usr/bin/env python
# -*- coding:utf-8 -*-
import urllib2
import urllib
import os
from lxml import etree
keyword = raw_input('请输入要查询的关键字： ')

keyword = {'kw':keyword}

kw = urllib.urlencode(keyword)

startpage = raw_input('请输入开始页数： ')

endpage = raw_input('请输入结束页数： ')

url = 'https://tieba.baidu.com/f' + '?' + kw

print('开始下载...')
# 计算下载的图片个数，注意：变量n如放在最外层循环，可以统计每个分页图片个数
n = 0
# 获取分页里面帖子链接列表，获取每个帖子里楼主所发的图片链接列表，保存图片
# 获取帖子链接列表
for page in range(int(startpage),int(endpage)+1):
    pnumber = {'pn': str((page - 1)*50)}
    pnumber = urllib.urlencode(pnumber)
    fullurl = url + '&' + pnumber
    # 发现使用谷歌浏览器的User-Agent，会导致后面的xpath匹配结果有时为空。原因：服务器会对不同的浏览器发出的同一请求返回不同格式的数据，此时返回的数据和在谷歌浏览器里面看到的数据不同。
    # 解决办法：使用IE浏览器的User-Agent，因为IE的相对来说更标准，而且版本越老问题越少。
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; rv:11.0) like Gecko"}
    request = urllib2.Request(fullurl,headers=headers)
    response = urllib2.urlopen(request)
    html = response.read()

    # 解析html 为 HTML DOM文档
    content = etree.HTML(html)
    # xpath使用下面括号内容进行匹配，使用a的属性使用了class='j_th_tit'去过滤广告则匹配结果为空；换成a的属性rel="noreferrer"就解决。为啥换不清楚。思路，这个属性不行换个属性。
    # 获取每个分页里面的帖子的链接列表
    link_list = content.xpath('//div[@class="threadlist_lz clearfix"]/div/a[@rel="noreferrer"]/@href')
    # 获取该帖子楼主所发的图片链接列表
    for link in link_list:
      link = 'https://tieba.baidu.com' + link 
      request2 = urllib2.Request(link,headers=headers)
      response2 = urllib2.urlopen(request2)
      html2 = response2.read()

      # 把html字符串解析为html dom
      content2 = etree.HTML(html2)

      # 使用xpath匹配其里面层主所发的图片的链接
      link_list2 = content2.xpath('//img[@class="BDE_Image"]/@src')

      # 遍历图片链接列表，保存图片到文件夹images内
      for link2 in link_list2:

        request3 = urllib2.Request(link2,headers=headers)
        response3 = urllib2.urlopen(request3)
        html3 = response3.read()
        # 指定文件名
        filename = link2[-10:]
        n += 1
        print('正在保存第 %3d 张图片'%n)

        # html3为返回的图片内容，把图片写入images2文件夹内
        with open('images' + '/' + filename,'wb') as f:
          f.write(html3)

print('下载结束！')