Python小爬蟲——貼吧圖片的爬取

在對Python有了一定的基礎(chǔ)學(xué)習(xí)后，進(jìn)行貼吧圖片抓取小程序的編寫。

目標(biāo)：

首先肯定要實(shí)現(xiàn)圖片抓取這個基本功能

然后實(shí)現(xiàn)對用戶所給的鏈接進(jìn)行抓取

最后要有一定的交互，程序不能太傻吧

一、頁面獲取

要讓python可以進(jìn)行對網(wǎng)頁的訪問，那肯定要用到urllib之類的包。So先來個?import?urllib

urllib中有?urllib.urlopen(str)?方法用于打開網(wǎng)頁并返回一個對象，調(diào)用這個對象的read()方法后能直接獲得網(wǎng)頁的源代碼，內(nèi)容與瀏覽器右鍵查看源碼的內(nèi)容一樣。

1 #coding:utf-8

2 import urllib

3

4 page = urllib.urlopen('http://tieba.baidu.com/p/1753935195')#打開網(wǎng)頁

5 htmlcode = page.read()#讀取頁面源碼

6 print htmlcode#在控制臺輸出

運(yùn)行結(jié)果與查看源碼其實(shí)差不多

運(yùn)行結(jié)果就不放上來了

也可以寫到文本文檔中：

1 #coding:utf-8

2 import urllib

3

4 page = urllib.urlopen('http://tieba.baidu.com/p/1753935195')

5 htmlcode = page.read()

6 #print htmlcode

7

8 pageFile = open('pageCode.txt','w')#以寫的方式打開pageCode.txt

9 pageFile.write(htmlcode)#寫入

10 pageFile.close()#開了記得關(guān)

運(yùn)行一遍，txt就出現(xiàn)在了getJpg.py

的目錄下

好了別鬧，我們把它封裝成方法：

1 def get_html(url):

2 page = urllib.urlopen(url)

3 html = page.read()

4 return html

然后我們的頁面獲取代碼就K.O.了

二、圖片(目標(biāo))的提取

做完上面步驟，你打開txt一看，我去！這都是什么跟什么啊，根本找不到圖片在哪好伐？

客官別急啊，我這就去給你叫我們的小。。。圖片！圖片！

首先我們要一個正則表達(dá)式 (什么你不會？請看菜鳥入門教程-->

然后我們看源代碼，Yeah 我們找到了其中一張圖片是這樣的

寫出圖片的正則表達(dá)式：?reg = r'src="(.+?\.jpg)" width'

解釋下吧——匹配以src="開頭然后接一個或多個任意字符(非貪婪)，以.jpg" width結(jié)尾的字符串。比如圖中紅框內(nèi)src后 雙引號里的鏈接就是一個匹配的字符串。

接著我們要做的就是從get_html方法返回的辣么長一串字符串中?拿到?滿足正則表達(dá)式的?字符串。

用到python中的re庫中的?re.findall(str)?它返回一個滿足匹配的字符串組成的列表

1 # coding:utf-8

2 import urllib

3 import re

4

5 def get_html(url):

6 page = urllib.urlopen(url)

7 html = page.read()

8 return html

9

10 reg = r'src="(.+?\.jpg)" width'#正則表達(dá)式

11 reg_img = re.compile(reg)#編譯一下，運(yùn)行更快

12 imglist = reg_img.findall(get_html('http://tieba.baidu.com/p/1753935195'))#進(jìn)行匹配

13 for img in imglist:

14 print img

打印出這么多圖片鏈接

光把鏈接拿出來沒用啊，我們的目標(biāo)是下載下來~

urllib庫中有一個?urllib.urlretrieve(鏈接,名字)?方法，它的作用是以第二個參數(shù)為名字下載鏈接中的內(nèi)容，我們來試用一下

在上面代碼循環(huán)中加上?urllib.urlretrieve(img,?'tieba.jpg')

臥槽！！！怎么只下了一張

至少它下載了不是？啪啪啪啪啪(掌聲)

檢查下問題出在哪。。。。

沒錯我們只給了一個tieba.jpg的名字，后來的把前面的覆蓋了。

調(diào)整下代碼：

1 # coding:utf-8

2 import urllib

3 import re

4

5 def get_html(url):

6 page = urllib.urlopen(url)

7 html = page.read()

8 return html

9

10 reg = r'src="(.+?\.jpg)" width'

11 reg_img = re.compile(reg)

12 imglist = reg_img.findall(get_html('http://tieba.baidu.com/p/1753935195'))

13 x = 0

14 for img in imglist:

15 urllib.urlretrieve(img, '%s.jpg' %x)

16 x += 1

啪啪啪啪啪

第一步完成~

三、指定鏈接抓取

我想要抓另一個帖子，總不能打開源代碼，然后把那段地址改了在運(yùn)行吧。

只是一個小程序，那也不行欸，加一個讓用戶指定地址的交互。

先把提取圖片的那段代碼打包下：

1 def get_image(html_code):

2 reg = r'src="(.+?\.jpg)" width'

3 reg_img = re.compile(reg)

4 img_list = reg_img.findall(html_code)

5 x = 0

6 for img in img_list:

7 urllib.urlretrieve(img, '%s.jpg' % x)

8 x += 1

最后來個請輸入：

1 print u'請輸入url:',

2 url = raw_input()

3 if url:

4 pass

5 else:

6 url = 'http://tieba.baidu.com/p/1753935195'

7 html_code = get_html(url)

8 get_image(html_code)

運(yùn)行一下,試試另一個帖子：

完美~~

四、交互的添加

雖然寫的是一個簡單的小程序，但有強(qiáng)迫癥的我還是給他加上了交互(不然多難受啊：雙擊，屏幕一閃，下載完了。。。)

最后的代碼

1 # coding:utf-8

2 import urllib

3 import re

4

5 def get_html(url):

6 page = urllib.urlopen(url)

7 html_code = page.read()

8 return html_code

9

10 def get_image(html_code):

11 reg = r'src="(.+?\.jpg)" width'

12 reg_img = re.compile(reg)

13 img_list = reg_img.findall(html_code)

14 x = 0

15 for img in img_list:

16 urllib.urlretrieve(img, '%s.jpg' % x)

17 x += 1

18

19 print u'-------網(wǎng)頁圖片抓取-------'

20 print u'請輸入url:',

21 url = raw_input()

22 if url:

23 pass

24 else:

25 print u'---沒有地址輸入正在使用默認(rèn)地址---'

26 url = 'http://tieba.baidu.com/p/1753935195'

27 print u'----------正在獲取網(wǎng)頁---------'

28 html_code = get_html(url)

29 print u'----------正在下載圖片---------'

30 get_image(html_code)

31 print u'-----------下載成功-----------'

32 raw_input('Press Enter to exit')

相對來說比較舒服的交互體驗(yàn)，大功告成~

參考鏈接：https://www.cnblogs.com/Axi8/p/5757270.html

總結(jié)

以上是生活随笔為你收集整理的python简易_Python简易爬虫的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。