python3.x 纪念写的第一个爬虫

#getjpg.py
#之前是urllib，3之后是urllib.request
import urllib.request
import re

#得到html页面的所有数据
def getHtml(url):
    page = urllib.request.urlopen(url)
    html = page.read()
    return html;

#获取得到的html页面里面的图片
def getImg(html):
    #reg=r'src="(.*?\.jpg)"'
    reg = r'src="(.+?\.jpg)" pic_ext'
    #re.compile 将正则表达式转换为模式对象，可以实现更有效率的匹配。
    imgre = re.compile(reg)
    imglist = re.findall(imgre,html)
    #将页面筛选的数据保存到本地
    x = 0
    for imgurl in imglist:
        urllib.request.urlretrieve(imgurl,'%s.jpg' % x)
        x+=1
    return imglist

#原因为Python3 findall数据类型用bytes类型，因此在正则表达式前应添加html = html.decode('utf-8')

html = getHtml("http://tieba.baidu.com/p/2460150866").decode('utf-8')

print(getImg(html))