欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

python实现简单爬虫功能

程序员文章站 2022-09-14 19:46:22
在我们日常上网浏览网页的时候,经常会看到一些好看的图片,我们就希望把这些图片保存下载,或者用户用来做桌面壁纸,或者用来做设计的素材。     我们最常规的做法就是通过...
在我们日常上网浏览网页的时候,经常会看到一些好看的图片,我们就希望把这些图片保存下载,或者用户用来做桌面壁纸,或者用来做设计的素材。

 

  我们最常规的做法就是通过鼠标右键,选择另存为。但有些图片鼠标右键的时候并没有另存为选项,还有办法就通过就是通过截图工具截取下来,但这样就降低图片的清晰度。好吧~!其实你很厉害的,右键查看页面源代码。

 

  我们可以通过python 来实现这样一个简单的爬虫功能,把我们想要的代码爬取到本地。下面就看看如何使用python来实现这样一个功能。

 

 

 

 

 

一,获取整个页面数据

 

 

 

首先我们可以先获取要下载图片的整个页面信息。

 

getjpg.py

 

复制代码

#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

复制代码

  urllib 模块提供了读取web页面数据的接口,我们可以像读取本地文件一样读取www和ftp上的数据。首先,我们定义了一个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 提供了非常强大的正则表达式,我们需要先要了解一点python 正则表达式的知识才行。

 

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

 

 

 

假如我们百度贴吧找到了几张漂亮的壁纸,通过到前段查看工具。找到了图片的地址,如:src=/uploadfile/2014/0303/20140303083822952.jpg”pic_ext=”jpeg”

 

 

 

修改代码如下:

 

复制代码

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)

复制代码

  我们又创建了getimg()函数,用于在获取的整个页面中筛选需要的图片连接。re模块主要包含了正则表达式:

 

  re.compile() 可以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。

 

    运行脚本将得到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

 

 

 

把筛选的图片地址通过for循环遍历并保存到本地,代码如下:

 

 

 

复制代码

#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)

复制代码

 

 

  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。

 

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