python实现简单爬虫功能

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。