标签：
Python官方提供了用于编写网络爬虫的包 urllib.request, 我们主要用它进行打开url，读取url里面的内容，下载里面的图片。
分以下几步：
step1:用urllib.request.urlopen打开目标网站
step2:由于urllib.request.urlopen返回的是一个http.client.HTTPResponse object，无法直接读取里面的内容，所以直接调用该对象的方法read()，获取到页面代码，存到html里
step3:构建正则表达式，从页面代码里提取出图片url地址。
step4:根据图片url地址，用urllib.request.retrieve下载到本地
容易出错的地方：
1：python2.x和python3.x中，urlopen具体在哪个包里是不一样的。如果你要在python2.x上实现，要自行百度正确的包。
2：最容易出错的地方是正则表达式，容易出现匹配错误。我程序里写的正则表达式，在目前的网址里是正确的，如果是其他网址可能还会出问题，要具体问题具体分析，去debug。
比如如果img_re=re.compile(r‘(?<=src=)"\w+?jpg"‘)的话，会匹配成""http://tieba..........""或者出现下面的情况
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
import urllib.requestimport redef getHtml(url): #print("正在打开网页并获取....") page=urllib.request.urlopen(url) Html=str(page.read()) print("成功获取....") return Htmldef getImg(html): img_re=re.compile(r‘(?<=src=")\S+?jpg‘) #img_re=re.compile(r‘src="(.*?\.jpg)"‘) print("the type of html is :",type(html)) img_list=img_re.findall(html) print("len(img_list)=",len(img_list)) print("img_list[0]=",img_list[0]) print("正在下载图片......") for i in range(len(img_list)): print("img_list[%d]=%s" % (i,img_list[i])) urllib.request.urlretrieve(img_list[i],‘%s.jpg‘ % i) print("完成图片下载......") print("一共抓到了%d张图片" % len(img_list))if __name__=="__main__": url_baidu="http://tieba.baidu.com/f?kw=%B0%A2%C9%AD%C4%C9" html=getHtml(url_baidu) getImg(html) |
在python3中使用urllib.request编写简单的网络爬虫
标签：
原文地址：http://www.cnblogs.com/ArsenalfanInECNU/p/4780883.html
