487
Python實現簡單爬蟲功能
在我們日常上網瀏覽網頁的時候，經常會看到一些好看的圖片，我們就希望把這些圖片保存下載，或者用戶用來做桌麵壁紙，或者用來做設計的素材。
我們最常規的做法就是通過鼠標右鍵，選擇另存為。但有些圖片鼠標右鍵的時候並沒有另存為選項，還有辦法就通過就是通過截圖工具截取下來，但這樣就降低圖片的清晰度。好吧～！其實你很厲害的，右鍵查看頁麵源代碼。
我們可以通過Python 來實現這樣一個簡單的爬蟲功能，把我們想要的代碼爬取到本地。下麵就看看如何使用python來實現這樣一個功能。
一，獲取整個頁麵數據
首先我們可以先獲取要下載圖片的整個頁麵信息。
getjpg.py
#coding=utf-8
import urllib
def getHtml(url):
page = urllib.urlopen(url)
html = page.read()
return html
html = getHtml("https://tieba.baidu.com/p/2738151262")
print html
Urllib 模塊提供了讀取web頁麵數據的接口，我們可以像讀取本地文件一樣讀取www和ftp上的數據。首先，我們定義了一個getHtml()函數:
urllib.urlopen()方法用於打開一個URL地址。
read()方法用於讀取URL上的數據，向getHtml()函數傳遞一個網址，並把整個頁麵下載下來。執行程序就會把整個網頁打印輸出。
如果你想學習Python可以來這個群，首先是四七二，中間是三零九，最後是二六一，裏麵有大量的學習資料可以下載。
二，篩選頁麵中想要的數據
Python 提供了非常強大的正則表達式，我們需要先要了解一點python 正則表達式的知識才行。
假如我們百度貼吧找到了幾張漂亮的壁紙，通過到前段查看工具。找到了圖片的地址，如：src=”https://imgsrc.baidu.com/forum......jpg”pic_ext=”jpeg”
修改代碼如下：
import re
import urllib
def getHtml(url):
page = urllib.urlopen(url)
html = page.read()
return html
def getImg(html):
reg = r'src="(.+?\.jpg)" pic_ext'
imgre = re.compile(reg)
imglist = re.findall(imgre,html)
return imglist
html = getHtml("https://tieba.baidu.com/p/2460150866")
print getImg(html)
我們又創建了getImg()函數，用於在獲取的整個頁麵中篩選需要的圖片連接。re模塊主要包含了正則表達式：
re.compile() 可以把正則表達式編譯成一個正則表達式對象.
re.findall() 方法讀取html 中包含 imgre（正則表達式）的數據。
運行腳本將得到整個頁麵中包含圖片的URL地址。
三，將頁麵篩選的數據保存到本地
把篩選的圖片地址通過for循環遍曆並保存到本地，代碼如下：
#coding=utf-8
import urllib
import re
def getHtml(url):
page = urllib.urlopen(url)
html = page.read()
return html
def getImg(html):
reg = r'src="(.+?\.jpg)" pic_ext'
imgre = re.compile(reg)
imglist = re.findall(imgre,html)
x = 0
for imgurl in imglist:
urllib.urlretrieve(imgurl,'%s.jpg' % x)
x+=1
html = getHtml("https://tieba.baidu.com/p/2460150866")
print getImg(html)
這裏的核心是用到了urllib.urlretrieve()方法，直接將遠程數據下載到本地。
通過一個for循環對獲取的圖片連接進行遍曆，為了使圖片的文件名看上去更規範，對其進行重命名，命名規則通過x變量加1。保存的位置默認為程序的存放目錄。
程序運行完成，將在目錄下看到下載到本地的文件。
最後更新：2017-05-07 07:57:21