python实现简单爬虫功能-优快云博客

本文介绍使用Python爬虫技术抓取网页中的图片资源，并详细解释了如何利用正则表达式匹配图片链接，以及如何使用urllib库下载图片到本地的方法。

 1 #首先我们可以先获取要下载图片的整个页面信息
 2 #coding=utf-8
 3 #Urllib 模块提供了读取web页面数据的接口，我们可以像读取本地文件一样读取www和ftp上的数据
 4 import urllib
 5 import re
 6 #首先，我们定义了一个getHtml()函数:
 7 def getHtml(url):
 8 #urllib.urlopen()方法用于打开一个URL地址
 9     page = urllib.urlopen(url)
10 #read()方法用于读取URL上的数据，向getHtml()函数传递一个网址，并把整个页面下载下来。执行程序就会把整个网页打印输出。
11     html = page.read()
12     return html
13 
14 #创建了getImg()函数，用于在获取的整个页面中筛选需要的图片连接
15 def getImg(html):
16 #采用正则表达式取出页面中图片的url
17     reg = r'src="(.+?\.jpg)" pic_ext'
18 #re.compile() 可以把正则表达式编译成一个正则表达式对象
19     imgre = re.compile(reg)
20 #re.findall() 方法读取html 中包含 imgre（正则表达式）的数据
21     imglist = re.findall(imgre,html)
22 #通过一个for循环对获取的图片连接进行遍历，为了使图片的文件名看上去更规范，对其进行重命名，命名规则通过x变量加1
23     x = 0
24     for imgurl in imglist:
25 #urllib.urlretrieve()方法，直接将远程数据下载到本地
26         urllib.urlretrieve(imgurl,'%s.jpg' % x)
27         x+=1
28 #我们要爬的网址，对每个网址其图片存放方式可能不一样，所以需要不同的正则表达式
29 html = getHtml("http://tieba.baidu.com/p/2460150866")
30 print getImg(html)
31 　　
32 http://www.cnblogs.com/fnng/p/3576154.html#top

update：

如果想将其下载在你指定的file中，只需要修改

urllib.urlretrieve(imgurl,'%s.jpg' % x)

即可，

urlretrieve（url,path）
将path修改成你想要的，如我想放在 F:\pic
则修改为 
urllib.urlretrieve(imgurl,'f:/pic/%s.jpg' % x)
就可以了~~

update by 2015.1.27：
实现下载多个页面的图片，以下载煎蛋妹子图（不要问我为什么~~）为例：
先贴上代码

 1 #coding=utf-8
 2 import urllib
 3 import re
 4 import os
 5 
 6 urlList = 'http://jandan.net/ooxx/page-%s' 
 7 global x
 8 x=0
 9    
10 def getHtml(url):
11     page = urllib.urlopen(url)
12     html = page.read()
13     return html
14 
15 def getImg(html):
16     reg = r'src="(.*?\.jpg)" '
17     imgre = re.compile(reg)
18     imglist = re.findall(imgre,html)
19     global x
20     for imgurl in imglist:
21         urllib.urlretrieve(imgurl,'f:/pic/%s.jpg' % x)
22         x+=1
23 
24 
25 for i in range(1315, 1317):
26     
27     i=urlList % (i)
28     html=getHtml(i)
29     print getImg(html)