文章目录简介正则爬虫Demo本例知识点

简介

python的第三方包极多种，尽量多看多用，对开发者来说是很好的。在爬虫领域，请求网页，除了requests包之外，还有urllib.request模块；获取网页图片对应src的方法，除了BeautifulSoup之外，还有re模块的正则表达式。

正则表达式也是从html获取关键代码片段的方法，比较复杂，没有美丽汤模块那么好用；但是，了解一下还是必要的。本实例，还是从百度贴吧上爬取一个网页的多张图片，代码如下所述。

正则爬虫Demo

# -*- coding: utf-8 -*-

#网上案例：https://www..com/abelsu/p/4540711.html

#网上代码不能直接运行，需要修改

#导入所需第三方包。urllib.request用于请求网页，re用于正则表达式

import urllib.request

import re

#获取网页的html，与requests包一样的功能

def getHtml(url):

response = urllib.request.Request(url, headers = header)

page = urllib.request.urlopen(response)

html = page.read() #urllib用read()读取html；requests包用text读取html

print(html)

return html

#获取图片对应的src属性代码

def getImg(html):

html=html.decode('utf-8')

#通过re-compile-findall二连函数操作来获取图片src属性对应的代码

src = r'https://[^\s]*?\.jpg'

imgre = re.compile(src) #re.compile()，可以把正则表达式编译成一个正则表达式对象

imglist = re.findall(imgre, html)

#re.findall()，读取html中包含imgre(正则表达式)的数据,imglist是包含了所有src元素的数组

#用urlretrieve下载图片。图片命名为0/1/2...之类的名字

x = 0

for imgurl in imglist:

#注意，这里的文件路径，每段路径的首字母一定要大写！！小写会识别出错

urllib.request.urlretrieve(imgurl, 'E:\Python-study-project\Test_img\B\%s.jpg' % x)

x += 1

print(imgurl)

header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}

html = getHtml("https://tieba.baidu.com/p/5439602441")

getImg(html)

print('OK')

本例知识点

urllib.requests模块，用Requests、openurl来请求网页，用read()来读取出html，用urlretrieve来直接下载文件到制定目录；

re包中，用re-compile-findall来获取图片对应的src属性代码，这是一个常用的套路，类似于BeautifulSoup的soup-find_all-get三连击；

在正则表达式中，对于下面的长代码，直接用https://[^\s]*?.jpg来代替就可以了。具体每个字符的含义，可以自行查表，但是这个短代码串，是可以在很多爬虫中通用的。牢牢记住，再来变通。

https://imgsa.baidu.com/forum/w%3D580/sign=4c9a9f3955df8db1bc2e7c6c3921dddb/abf17d1ed21b0ef40b2f06ffd6c451da80cb3e7a.jpg

此外，还有一些小问题。例如，对于html此处还要用decode来解码(具体原因还不清楚)，Python在文件路径上只能识别首字母为大写的文件。这些小问题，就需要开发者在实际中慢慢体会了；

提供了将下载的图片命名为1,2,3…等数字的方法，即：将变量x插入到下载和命名过程，每执行一次for函数，x就自加一次即可。