python 图片爬虫抓取图片系列一 |
您所在的位置：网站首页 › python爬取指定的图片链接 › python 图片爬虫抓取图片系列一 |
python 图片爬虫抓取图片系列一
|
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 以下介绍了两种方法实现抓取指定网页中图片 （1）方法一：使用正则表达式过滤抓到的 html 内容字符串 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,但是为了隐藏自己避免被反爬虫可以假如这个伪装的头部请求 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]*?(png))"', page) 27 imageList = re.findall(r'(https:[^\s]*?(jpg|png|gif))"', page) 28 x = 0 29 # 循环列表 30 for imageUrl in imageList: 31 try: 32 print('正在下载: %s' % imageUrl[0]) 33 # 这个image文件夹需要先创建好才能看到结果 34 image_save_path = './image/%d.png' % x 35 # 下载图片并且保存到指定文件夹中 36 urllib.request.urlretrieve(imageUrl[0], image_save_path) 37 x = x + 1 38 except: 39 continue 40 41 pass 42 43 44 if __name__ == '__main__': 45 # 指定要爬取的网站 46 url = "https://www.cnblogs.com/ttweixiao-IT-program/p/13324826.html" 47 # 得到该网站的源代码 48 page = getHtmlCode(url) 49 # 爬取该网站的图片并且保存 50 getImage(page) 51 # 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： 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。
（2）方法二：使用 BeautifulSoup 库解析 html 网页 1 from bs4 import BeautifulSoup # BeautifulSoup是python处理HTML/XML的函数库，是Python内置的网页分析工具 2 import urllib # python自带的爬操作url的库 3 4 5 # 该方法传入url,返回url的html的源代码 6 def getHtmlCode(url): 7 # 以下几行注释的代码在本程序中有加没加效果一样,但是为了隐藏自己避免被反爬虫可以假如这个伪装的头部请求 8 headers = { 9 'User-Agent': 'Mozilla/5.0(Linux; Android 6.0; Nexus 5 Build/MRA58N) \ 10 AppleWebKit/537.36(KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36' 11 } 12 # 将headers头部添加到url，模拟浏览器访问 13 url = urllib.request.Request(url, headers=headers) 14 15 # 将url页面的源代码保存成字符串 16 page = urllib.request.urlopen(url).read() 17 # 字符串转码 18 page = page.decode('UTF-8') 19 return page 20 21 22 # 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 23 def getImage(page): 24 # 按照html格式解析页面 25 soup = BeautifulSoup(page, 'html.parser') 26 # 格式化输出DOM树的内容 27 print(soup.prettify()) 28 # 返回所有包含img标签的列表，因为在Html文件中图片的插入呈现形式是
这两种方法各有利弊，我觉得可以灵活结合使用这两种方法，比如先使用方法2中指定标签的方法缩小要寻找的内容范围，然后再使用正则表达式匹配想要的内容，这样做起来更加简洁明了。
|
【本文地址】
今日新闻 |
推荐新闻 |