Python爬虫 （抓取图片）

one.python 爬虫抓图片

 

一，获取整个页面数据

 

首先咱们能够先获取要下载图片的整个页面信息。

getjpg.py

#coding=utf-8
import urllib

def getHtml(url):
    page = urllib.urlopen(url)
    html = page.read()
    return html

html = getHtml("http://tieba.baidu.com/p/2738151262")

print html

　　Urllib 模块提供了读取web页面数据的接口，咱们能够像读取本地文件同样读取www和ftp上的数据。首先，咱们定义了一个getHtml()函数:

　　urllib.urlopen()方法用于打开一个URL地址。

　　read()方法用于读取URL上的数据，向getHtml()函数传递一个网址，并把整个页面下载下来。执行程序就会把整个网页打印输出。

 二，筛选页面中想要的数据

 

　　Python 提供了很是强大的正则表达式，咱们须要先要了解一点python 正则表达式的知识才行。

http://www.cnblogs.com/fnng/archive/2013/05/20/3089816.html

 

假如咱们百度贴吧找到了几张漂亮的壁纸，经过到前段查看工具。找到了图片的地址，如：src=”http://imgsrc.baidu.com/forum......jpg”pic_ext=”jpeg”

修改代码以下：

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("http://tieba.baidu.com/p/2460150866")
print getImg(html)

　　咱们又建立了getImg()函数，用于在获取的整个页面中筛选须要的图片链接。re模块主要包含了正则表达式：

　　re.compile() 能够把正则表达式编译成一个正则表达式对象.

　　re.findall() 方法读取html 中包含 imgre（正则表达式）的数据。

 　　 运行脚本将获得整个页面中包含图片的URL地址。

三，将页面筛选的数据保存到本地

 

把筛选的图片地址经过for循环遍历并保存到本地，代码以下：

 

#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("http://tieba.baidu.com/p/2460150866")

print getImg(html)

 

　　这里的核心是用到了urllib.urlretrieve()方法，直接将远程数据下载到本地。

　　经过一个for循环对获取的图片链接进行遍历，为了使图片的文件名看上去更规范，对其进行重命名，命名规则经过x变量加1。保存的位置默认为程序的存放目录。

程序运行完成，将在目录下看到下载到本地的文件。

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 #coding=utf-8   import  urllib import  re   def  downloadPage(url):      h  =  urllib.urlopen(url)      return  h.read()   def  downloadImg(content):      pattern  =  r 'src="(.+?\.jpg)" pic_ext'      m  =  re. compile (pattern)      urls  =  re.findall(m, content)        for  i, url  in  enumerate (urls):          urllib.urlretrieve(url,  "%s.jpg"  %  (i, ))   content  =  downloadPage( "http://tieba.baidu.com/p/2460150866" ) downloadImg(content)