Python网络爬虫入门（一）——爬取百度贴吧图片

描述：用Python爬去百度贴吧图片并保存到本地。
本人刚学爬虫还不是很熟练，其中难点在于正则表达式的理解；

#-*- coding:utf-8-*-
import urllib
import re
#获取网页源码
def getHtml(url):
    page = urllib.urlopen(url)
    html = page.read()
    return html
#根据条件找出符合条件的数据
def getImg(html):
    reg = r'src="(.+?\.jpg)" pic_ext'
    imgre = re.compile(reg)
    imglist = re.findall(imgre,html)
    x = 0
#这里的核心是用到了urllib.urlretrieve()方法，直接将远程数据下载到本地。
    for imgurl in imglist:
        urllib.urlretrieve(imgurl, '%s.jpg' % x)
        x = x + 1
    return imglist

html = getHtml("http://tieba.baidu.com/p/2460150866")
print getImg(html)

说明：

1.获取整个页面数据
　
　　Urllib 模块提供了读取web页面数据的接口，我们可以像读取本地文件一样读取www和ftp上的数据。首先，我们定义了一个getHtml()函数:

　　urllib.urlopen()方法用于打开一个URL地址。

　　read()方法用于读取URL上的数据，向getHtml()函数传递一个网址，并把整个页面下载下来。执行程序就会把整个网页打印输出。
　　
2.筛选页面中想要的数据

Python 提供了非常强大的正则表达式，我们需要先要了解一点python 正则表达式的知识才行。
假如我们百度贴吧找到了几张漂亮的壁纸，通过到前段查看工具。找到了图片的地址，如：src=”http://imgsrc.baidu.com/forum……jpg”pic_ext=”jpeg”

　　我们又创建了getImg()函数，用于在获取的整个页面中筛选需要的图片连接。re模块主要包含了正则表达式：

　　re.compile() 可以把正则表达式编译成一个正则表达式对象.

　　re.findall() 方法读取html 中包含 imgre（正则表达式）的数据。

　　 运行脚本将得到整个页面中包含图片的URL地址。
　　
3.将页面筛选的数据保存到本地

　　通过一个for循环对获取的图片连接进行遍历，为了使图片的文件名看上去更规范，对其进行重命名，命名规则通过x变量加1。保存的位置默认为程序的存放目录。

　　程序运行完成，将在目录下看到下载到本地的文件。