python爬去网页图片—实现简单爬虫功能

windworld-18984 · 发表于 2016-4-6 08:57:43

　　在一些网站上经常看到一些好的图片希望批量下载保存到本地，但是一个个右击保存有显的十分麻烦，这里可以通过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，功能有点类似我们之前学过的批处理。下面就看看如何使用python来实现这样一个功能，主要分为三步，如下：
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。
创建getjpg.py文件
#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

说明：
　 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。
re模块中一些重要的函数：

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="https://imgsrc.baidu.com/forum/w%3D580/sign=750661a0fcfaaf5184e381b7bc5594ed/75fafbedab64034fc3ed0b80aec379310a551d11.jpg"

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("https://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,'c:\Users\Administrator\Desktop\pic\%s.jpg' % x)
x+=1
html = getHtml("https://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。
效果如下：

​python爬去网页图片—实现简单爬虫功能

python爬去网页图片—实现简单爬虫功能