对于爬虫,很多伙伴首选的可能就是Python了吧,我们在学习Python爬虫的时候得有侧重点,这篇文章教大家如何快速掌握Python爬虫的核心!有不清楚的地方,可以留言!

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importurllibimportre#根据url获取网页html内容defgetHtmlContent(url):page=urllib.urlopen(url)returnpage.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=...>defgetJPGs(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)returnjpgs#用图片url下载图片并保存成制定文件名defdownloadJPG(imgUrl,fileName):urllib.urlretrieve(imgUrl,fileName)#批量下载图片,默认保存到当前目录下defbatchDownloadJPGs(imgUrls,path='./'):#用于给图片命名count=1forurlinimgUrls:downloadJPG(url,''.join([path,'{0}.jpg'.format(count)]))count=count+1#封装:从百度贴吧网页下载图片defdownload(url):html=getHtmlContent(url)jpgs=getJPGs(html)batchDownloadJPGs(jpgs)defmain():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:



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importrequestsimportre#根据url获取网页html内容defgetHtmlContent(url):page=requests.get(url):returnpage.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=...>defgetJPGs(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)returnjpgs#用图片url下载图片并保存成制定文件名defdownloadJPG(imgUrl,fileName):#可自动关闭请求和响应的模块fromcontextlibimportclosingwithclosing(requests.get(imgUrl,stream=True))asresp:withopen(fileName,'wb')asf:forchunkinresp.iter_content(128):f.write(chunk)#批量下载图片,默认保存到当前目录下defbatchDownloadJPGs(imgUrls,path='./'):#用于给图片命名count=1forurlinimgUrls: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defdownload(url):html=getHtmlContent(url)jpgs=getJPGs(html)batchDownloadJPGs(jpgs)defmain():url='http://tieba.baidu.com/p/2256306796'download(url)if__name__=='__main__':main()

输出:和前面一样。

希望这次简单的python爬虫小案例能帮到初入Python爬虫的你!

关注并回复Python爬虫,可领取全套Python爬虫视频教程,或者私信我也可以哦!