本文主要是介绍 python 实现简单爬虫功能的示例,主要实现了把我们想要的图片爬虫到本地的一个示例,有需要的朋友可以了解一下。
Python 是一种面向对象、解释型计算机程序设计语言,由 Guido van Rossum 于 1989 年底发明,第一个公开发行版发行于 1991 年。Python 语法简洁而清晰,具有丰富和强大的类库。它常被昵称为胶水语言,它能够把用其他语言制作的各种模块(尤其是 C/C++)很轻松地联结在一起。
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
- #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,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.
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="http://imgsrc.baidu.com/forum......jpg"pic_ext="jpeg"
修改代码如下:
- 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("http://tieba.baidu.com/p/2460150866")
- print getImg(html)
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:
- #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。
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。
程序运行完成,将在目录下看到下载到本地的文件。
来源: http://www.phperz.com/article/17/0316/302502.html