码迷,mamicode.com
首页 > 编程语言 > 详细

python 爬取指定网页中的图片(python crawls the image in the specified page)

时间:2020-07-21 22:19:42      阅读:108      评论:0      收藏:0      [点我收藏+]

标签:width   标签   except   出版社   def   mic   来源   %s   app   

 

来自 《Python项目案例开发从入门到实战》(清华大学出版社 郑秋生 夏敏捷主编)中爬虫应用——抓取百度图片

想要爬取指定网页中的图片主要需要以下三个步骤:

(1)指定网站链接,抓取该网站的源代码(如果使用google浏览器就是按下鼠标右键 -> Inspect-> Elements 中的 html 内容)

(2)根据你要抓取的内容设置正则表达式以匹配要抓取的内容

(3)设置循环列表,重复抓取和保存内容

实现抓取指定网页中图片的代码如下:

 1 # 第一个简单的爬取图片的程序
 2 import urllib.request  # python自带的爬操作url的库
 3 import re  # 正则表达式
 4 
 5 
 6 # 该方法传入url,返回url的html的源代码
 7 def getHtmlCode(url):
 8     # 以下几行注释的代码在本程序中有加没加效果一样
 9     # headers = {
10     #     ‘User-Agent‘: ‘Mozilla/5.0(Linux; Android 6.0; Nexus 5 Build/MRA58N) \
11     #     AppleWebKit/537.36(KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36‘
12     # }
13     # # 将headers头部添加到url,模拟浏览器访问
14     # url = urllib.request.Request(url, headers=headers)
15 
16     # 将url页面的源代码保存成字符串
17     page = urllib.request.urlopen(url).read()
18     # 字符串转码
19     page = page.decode(UTF-8)
20     return page
21 
22 
23 # 该方法传入html的源代码,通过截取其中的img标签,将图片保存到本机
24 def getImage(page):
25     # [^\s]*? 表示最小匹配, 两个括号表示列表中有两个元组
26     imageList = re.findall(r(https:[^\s]*?(jpg|png|gif))", page)
27     x = 0
28     # 循环列表
29     for imageUrl in imageList:
30         try:
31             print(正在下载: %s % imageUrl[0])
32             # 这个image文件夹需要先创建好才能看到结果
33             image_save_path = ./image/%d.png % x
34             # 下载图片并且保存到指定文件夹中
35             urllib.request.urlretrieve(imageUrl[0], image_save_path)
36             x = x + 1
37         except:
38             continue
39 
40     pass
41 
42 
43 if __name__ == __main__:
44     # 指定要爬取的网站
45     url = "https://www.cnblogs.com/ttweixiao-IT-program/p/13324826.html"
46     # 得到该网站的源代码
47     page = getHtmlCode(url)
48     # 爬取该网站的图片并且保存
49     getImage(page)
50     # print(page)

注意,代码中需要修改的就是 imageList = re.findall(r‘(https:[^\s]*?(jpg|png|gif))"‘, page) 这一块内容,如何设计正则表达式需要根据你想要抓取的内容设置。我的设计来源如下:

 技术图片

可以看到,因为这个网页上的图片都是 png 格式,所以写成 imageList = re.findall(r‘(https:[^\s]*?(png))"‘, page) 也是可以的。

 

 

python 爬取指定网页中的图片(python crawls the image in the specified page)

标签:width   标签   except   出版社   def   mic   来源   %s   app   

原文地址:https://www.cnblogs.com/ttweixiao-IT-program/p/13356789.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!