第一个爬虫脚本

这是制作的第一个爬虫脚本，主要实现的功能就是解析指定网站中指定的照片地址，然后保存到本地。

代码部分：

from urllib.request import urlopen
from bs4 import BeautifulSoup
import re

i = 0
def get_content(page):
    global i
    page = str(page)
    url = "网站地址?page=" + page #保证可以获取多页内容
    html = urlopen(url)
    bsObj = BeautifulSoup(html, "html.parser")
    images = bsObj.findAll("img", {"src": re.compile("\d+\.jpg")}) #使用正则把图片的URL筛选出来

    while i < 5: #i是页数
        for image in images: #使用for循环抓取不同页数的图片
            photo_url = "网站的绝对地址" + image["src"] #图片地址
            print(photo_url) #输出图片地址
            f = open(str(re.sub(r"\D+", "0", image["src"])) + ".jpg", "wb")  # 利用正则替换命名图片名称，并保存到当前文件夹
            req = urlopen(photo_url)
            buf = req.read()  # 读出文件
            f.write(buf)  # 写入文件
            print("正在下载中...")
        i = i + 1
        print ("这是第", i, "页")
        get_content(i) #进行下一页的抓取

get_content(i)

这是我完成的第一个比较成功的爬虫脚本，整段代码很个性，不具有代表性。实现的功能也少之又少，可能不能被别的网址所使用，主要是看思路。写完这个脚本以后，我暂时总结出了制作爬虫脚本的思路，可能不是很严谨。

1. 找到需要爬取网站的HTML标签的规律
2. 选择合适的筛选条件，可以利用正则或者是标签数量等条件
3. 判断采集的信息是否有效
4. 保存本地或数据库

这段代码是第一个爬取图片的代码，虽然花费了很多时间，解决了一些问题，但仍然存在一些问题需要在以后的版本中解决：

1. 抓取更多不同的网页
2. 利用异常机制控制页数，在没有图片的时候停止
3. 在没有图片停止之后，自动开始抓取另一网页内容
4. 改变文件保存的位置

本来是想多定义几个函数看着更清楚一些，但是能力有限，改的改的最后全都放到一个函数中了，不过下载图片的目的是实现了，还是不错的。