$python爬虫系列(1)——一个简单的爬虫实例
2024-04-28 11:29:45
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:
- 获取网页html文本内容;
- 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;
- 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:
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。
转载于:https://www.cnblogs.com/Jeremy2001/p/10203326.html
最新文章
- 一文详解面向多级多模态场景的召回引擎
- go标准库的学习-crypto/sha1
- android调试——logcat详解
- c# 泛型study
- pom.xml文件指定jdk版本号/跳过测试
- (转)Windows下的Oracle冷备份脚本,已经测试通过
- [C++11]推荐使用auto的场景
- android wtf_WTF连接池
- 大数据技术是“地球的神经系统”
- Behavior Language Processing with Graph based Feature Generation for Fraud DetectioninOnline Lending
- 上“低代码”半年,30名程序员被裁,CTO离职
- sql server 配置管理器里为什么是32位_Windows Server2012 配置打印服务器图文教程
- Android唤醒屏幕
- 电商促销后台设计,写得太好了!
- Opencv学习笔记 - 使用opencvsharp和支持向量机
- postgresql如何优雅地清理磁盘空间碎片VACUUM
- 『IT视界』 [原创评论]揪出"程序员"身上的"六宗罪"
- 如何将pdf转换成jpg,转换达人教你一招搞定
- 现代软件工程第三章练习与讨论(补)
- 基于Java毕业设计房屋租赁平台源码+系统+mysql+lw文档+部署软件
热门文章
- ADPLUS使用配置文件设置断点时无法创建DUMP文件原因分析
- P4915 帕秋莉的魔导书
- thinkphp5 使用PHPExcel 导入导出
- linux shell 脚本练习,shell脚本小练习
- leetcode算法题--地图中的最高点
- 数据库acid简介(一)
- linux虚拟网络设备--内核网桥的实现分析(六)
- python webshell_python脚本实现查找webshell的方法
- thinkphp 个别字段无法更新_Ripro子主题:jizhichlid极致主题,原创首发永久更新,不限域名永乐使用...
- 鸿蒙兼容安卓app 为什么还要生态,就因为鸿蒙兼容安卓APP,中兴就宣布弃用?...