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使用爬虫爬取静态网页图片的方法详解

程序员文章站 2023-02-10 10:19:40
本文实例讲述了python使用爬虫爬取静态网页图片的方法。分享给大家供大家参考,具体如下: 爬虫理论基础 其实爬虫没有大家想象的那么复杂,有时候也就是几行代码的事儿,千...

本文实例讲述了python使用爬虫爬取静态网页图片的方法。分享给大家供大家参考,具体如下:

爬虫理论基础

其实爬虫没有大家想象的那么复杂,有时候也就是几行代码的事儿,千万不要把自己吓倒了。这篇就清晰地讲解一下利用python爬虫的理论基础。

首先说明爬虫分为三个步骤,也就需要用到三个工具。

① 利用网页下载器将网页的源码等资源下载。
② 利用url管理器管理下载下来的url
③ 利用网页解析器解析需要的url,进而进行匹配。

网页下载器

网页下载器常用的有两个。一个是python自带的urllib2模块;另一个是第三方控件requests。选用哪个其实差异不大,下一篇将会进行实践操作举例。

url管理器

url管理器有三大类。

① 内存:以set形式存储在内存中
② 存储在关系型数据库mysql等
③ 缓存数据库redis中

网页解析器

网页解析器一共有四类:

1.正则表达式,不过对于太复杂的匹配就会有些难度,属于模糊匹配。
2.html.parser,这是python自带的解析工具。
3.beautiful soup,一种第三方控件,顾名思义,美味的汤,用起来确实很方便,很强大。
4.lxml(apt.xml),第三方控件。

以上的这些全部属于结构化解析(dom树)

什么式结构化解析(dom)?

document object model(dom)是一种树的形式。

Python使用爬虫爬取静态网页图片的方法详解

beautiful soup的语法

html网页—>创建beautifulsoup对象—>搜索节点 find_all()/find()—>访问节点,名称,属性,文字等……

beautiful soup官方文档

实现代码

说过了理论基础,那么现在就来实践一个,要爬取一个静态网页的所有图片。

这里使用的网页下载器是python自带的urllib2,然后利用正则表达式匹配,输出结果。

以下为源码:

//引入小需要用到的模块
import urllib2
import re
def main():
  //利用urllib2的urlopen方法,下载当前url的网页内容
  req = urllib2.urlopen('http://www.imooc.com/course/list')
  //将网页内容存储到buf变量中
  buf = req.read()
  //将buf中的所有内容与需要匹配的url进行比对。这里的正则表达式是根据静态网页的源码得出的,查看静态网页源码开启开发者模式,按f12即可。然后确定图片块,查看对应源码内容,找出规律,编写正则表达式。
  listurl = re.findall(r'src=.+\.jpg',buf)
  i = 0
  //将结果循环写入文件
  for url in listurl:
    f = open(str(i)+'.jpg','w')
    req = urllib2.urlopen(url[5:])
    buf1 = req.read()
    f.write(buf1)
    i+=1
if __name__ == '__main__':
  main()

至此一个静态网页的图片爬虫就完成了,下面来看下效果。

这是静态网页:

Python使用爬虫爬取静态网页图片的方法详解

以下是爬取的结果:

Python使用爬虫爬取静态网页图片的方法详解

更多关于python相关内容可查看本站专题:《python socket编程技巧总结》、《python正则表达式用法总结》、《python数据结构与算法教程》、《python函数使用技巧总结》、《python字符串操作技巧汇总》、《python入门与进阶经典教程》及《python文件与目录操作技巧汇总

希望本文所述对大家python程序设计有所帮助。