标签：
在对Python有了一定的基础学习后，进行贴吧图片抓取小程序的编写。
要让python可以进行对网页的访问，那肯定要用到urllib之类的包。So先来个 import urllib
urllib中有 urllib.urlopen(str) 方法用于打开网页并返回一个对象，调用这个对象的read()方法后能直接获得网页的源代码，内容与浏览器右键查看源码的内容一样。
1 #coding:utf-8 2 import urllib 3 4 page = urllib.urlopen(‘http://tieba.baidu.com/p/1753935195‘)#打开网页 5 htmlcode = page.read()#读取页面源码 6 print htmlcode#在控制台输出
运行结果与查看源码其实差不多
运行结果就不放上来了
也可以写到文本文档中：
1 #coding:utf-8 2 import urllib 3 4 page = urllib.urlopen(‘http://tieba.baidu.com/p/1753935195‘) 5 htmlcode = page.read() 6 #print htmlcode 7 8 pageFile = open(‘pageCode.txt‘,‘w‘)#以写的方式打开pageCode.txt 9 pageFile.write(htmlcode)#写入 10 pageFile.close()#开了记得关
运行一遍，txt就出现在了getJpg.py
的目录下
好了别闹，我们把它封装成方法：
1 def get_html(url): 2 page = urllib.urlopen(url) 3 html = page.read() 4 return html
然后我们的页面获取代码就K.O.了
做完上面步骤，你打开txt一看，我去！这都是什么跟什么啊，根本找不到图片在哪好伐？
客官别急啊，我这就去给你叫我们的小。。。图片！图片！
首先我们要一个正则表达式 (什么你不会？请看菜鸟入门教程-->Go)
然后我们看源代码，Yeah 我们找到了其中一张图片是这样的
写出图片的正则表达式： reg = r‘src="(.+?\.jpg)" width‘
解释下吧——匹配以src="开头然后接一个或多个任意字符(非贪婪)，以.jpg" width结尾的字符串。比如图中红框内src后 双引号里的链接就是一个匹配的字符串。
接着我们要做的就是从get_html方法返回的辣么长一串字符串中 拿到 满足正则表达式的 字符串。
用到python中的re库中的 re.findall(str) 它返回一个满足匹配的字符串组成的列表
1 # coding:utf-8 2 import urllib 3 import re 4 5 def get_html(url): 6 page = urllib.urlopen(url) 7 html = page.read() 8 return html 9 10 reg = r‘src="(.+?\.jpg)" width‘#正则表达式 11 reg_img = re.compile(reg)#编译一下，运行更快 12 imglist = reg_img.findall(get_html(‘http://tieba.baidu.com/p/1753935195‘))#进行匹配 13 for img in imglist: 14 print img
打印出这么多图片链接
光把链接拿出来没用啊，我们的目标是下载下来~
urllib库中有一个 urllib.urlretrieve(链接,名字) 方法，它的作用是以第二个参数为名字下载链接中的内容，我们来试用一下
在上面代码循环中加上 urllib.urlretrieve(img, ‘tieba.jpg‘)
卧槽！！！怎么只下了一张
至少它下载了不是？啪啪啪啪啪(掌声)
检查下问题出在哪。。。。
没错我们只给了一个tieba.jpg的名字，后来的把前面的覆盖了。
调整下代码：
1 # coding:utf-8 2 import urllib 3 import re 4 5 def get_html(url): 6 page = urllib.urlopen(url) 7 html = page.read() 8 return html 9 10 reg = r‘src="(.+?\.jpg)" width‘ 11 reg_img = re.compile(reg) 12 imglist = reg_img.findall(get_html(‘http://tieba.baidu.com/p/1753935195‘)) 13 x = 0 14 for img in imglist: 15 urllib.urlretrieve(img, ‘%s.jpg‘ %x) 16 x += 1
啪啪啪啪啪
第一步完成~
标签：
原文地址：http://www.cnblogs.com/Axi8/p/5757270.html
