linux下用python写简单的爬虫程序

linux下用python写简单的爬虫程序

简述下这个爬虫程序的基本原理：

• HTTP请求
  通过起始url获得页面内容

• 正则表达式
  通过正则表达式获取想要的信息

• 获取到本地

---

http请求

geturl.py

#coding=utf-8
import urllib

def getHtml(url):
    page = urllib.urlopen(url)
    html = page.read()
    return html

html = getHtml("http://tieba.baidu.com/p/2738151262")

print html

新建一个geturl.py,在里面定义一个getHtml（）函数获取网页内容。

正则表达式

**通过正则表达式获取你所想要的内容：

import re
import urllib

def getHtml(url):
    page = urllib.urlopen(url)
    html = page.read()
    return html

def getImg(html):
    reg = r'src="(.+?\.jpg)" pic_ext'
    imgre = re.compile(reg)
    imglist = re.findall(imgre,html)
    return imglist      

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

正则表达式：

** 可选项

在子模式后面加上问号，它就变成了可选项。它可能出现在匹配字符串，但并非必须的。

r’(heep://)?(www.)?python.org’

只能匹配下列字符：

‘http://www.python.org’

‘http://python.org’

‘www.python.org’

‘python.org’

**　重复子模式

(pattern)* : 允许模式重复0次或多次

(pattern)+ : 允许模式重复1次或多次

(pattern){m,n} : 允许模式重复m~ n 次

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。

获取图片url效果图：

将图片保存到本地

这里主要运用了urllib.urlretrieve()方法，将远程数据下载到本地

利用for循环对图片进行遍历，并且对其重命名1.

#coding=utf-8
import urllib
import re

def getHtml(url):
    page = urllib.urlopen(url)
    html = page.read()
    return html

def getImg(html):
    reg = r'src="(.+?\.jpg)" pic_ext'
    imgre = re.compile(reg)
    imglist = re.findall(imgre,html)
    x = 0
    for imgurl in imglist:
        urllib.urlretrieve(imgurl,'%s.jpg' % x)
        x+=1


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

print getImg(html)

获取到的图片保存在默认的程序存放目录

---

哈哈，简单python爬虫程序就到这里了。

---

1. 这里是 脚注 的 内容. ↩