码迷,mamicode.com
首页 > 编程语言 > 详细

$python爬虫系列(1)——一个简单的爬虫实例

时间:2018-12-31 21:53:13      阅读:189      评论:0      收藏:0      [点我收藏+]

标签:read   简单   格式   number   匹配   img   blog   ret   trie   

本文主要实现一个简单的爬虫,目的是从一个百度贴吧页面下载图片。

1. 概述

本文主要实现一个简单的爬虫,目的是从一个百度贴吧页面下载图片。下载图片的步骤如下:

  1. 获取网页html文本内容;
  2. 分析html中图片的html标签特征,用正则解析出所有的图片url链接列表;
  3. 根据图片的url链接列表将图片下载到本地文件夹中。

2. urllib+re实现

#!/usr/bin/python
# coding:utf-8
# 实现一个简单的爬虫,爬取百度贴吧图片
import urllib
import re

# 根据url获取网页html内容
def getHtmlContent(url):
    page = urllib.urlopen(url)
    return page.read()

# 从html中解析出所有jpg图片的url
# 百度贴吧html中jpg图片的url格式为:<img ... src="XXX.jpg" width=...>
def getJPGs(html):
    # 解析jpg图片url的正则
    jpgReg = re.compile(r‘<img.+?src="(.+?\.jpg)" width‘)  # 注:这里最后加一个‘width‘是为了提高匹配精确度
    # 解析出jpg的url列表
    jpgs = re.findall(jpgReg,html)
    
    return jpgs

# 用图片url下载图片并保存成制定文件名
def downloadJPG(imgUrl,fileName):
    urllib.urlretrieve(imgUrl,fileName)
    
# 批量下载图片,默认保存到当前目录下
def batchDownloadJPGs(imgUrls,path = ‘./‘):
    # 用于给图片命名
    count = 1
    for url in imgUrls:
        downloadJPG(url,‘‘.join([path,‘{0}.jpg‘.format(count)]))
        count = count + 1

# 封装:从百度贴吧网页下载图片
def download(url):
    html = getHtmlContent(url)
    jpgs = getJPGs(html)
    batchDownloadJPGs(jpgs)
    
def main():
    url = ‘http://tieba.baidu.com/p/2256306796‘
    download(url)
    
if __name__ == ‘__main__‘:
    main()

运行上面脚本,过几秒种之后完成下载,可以在当前目录下看到图片已经下载好了:
技术分享图片

3. requests + re实现

下面用requests库实现下载,把getHtmlContent和downloadJPG函数都用requests重新实现。

#!/usr/bin/python
# coding:utf-8
# 实现一个简单的爬虫,爬取百度贴吧图片
import requests
import re

# 根据url获取网页html内容
def getHtmlContent(url):
    page = requests.get(url)
    return page.text

# 从html中解析出所有jpg图片的url
# 百度贴吧html中jpg图片的url格式为:<img ... src="XXX.jpg" width=...>
def getJPGs(html):
    # 解析jpg图片url的正则
    jpgReg = re.compile(r‘<img.+?src="(.+?\.jpg)" width‘)  # 注:这里最后加一个‘width‘是为了提高匹配精确度
    # 解析出jpg的url列表
    jpgs = re.findall(jpgReg,html)
    
    return jpgs

# 用图片url下载图片并保存成制定文件名
def downloadJPG(imgUrl,fileName):
    # 可自动关闭请求和响应的模块
    from contextlib import closing
    with closing(requests.get(imgUrl,stream = True)) as resp:
        with open(fileName,‘wb‘) as f:
            for chunk in resp.iter_content(128):
                f.write(chunk)
    
# 批量下载图片,默认保存到当前目录下
def batchDownloadJPGs(imgUrls,path = ‘./‘):
    # 用于给图片命名
    count = 1
    for url in imgUrls:
        downloadJPG(url,‘‘.join([path,‘{0}.jpg‘.format(count)]))
        print ‘下载完成第{0}张图片‘.format(count)
        count = count + 1

# 封装:从百度贴吧网页下载图片
def download(url):
    html = getHtmlContent(url)
    jpgs = getJPGs(html)
    batchDownloadJPGs(jpgs)
    
def main():
    url = ‘http://tieba.baidu.com/p/2256306796‘
    download(url)
    
if __name__ == ‘__main__‘:
    main()

输出:和前面一样。

$python爬虫系列(1)——一个简单的爬虫实例

标签:read   简单   格式   number   匹配   img   blog   ret   trie   

原文地址:https://www.cnblogs.com/Jeremy2001/p/10203326.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!