[7]个人学习python：爬取百度贴吧图片，并保存到本地目录

代码如下：

# -*- coding: utf-8 -*
import urllib.request,re
url='http://tieba.baidu.com/p/5665019988/'
page=urllib.request.urlopen(url,timeout = 2)
html=page.read()
html=html.decode('utf-8')                        #因为百度不是utf-8，故需要转码
reg=r'src="(http://imgsrc.baidu.com/forum/w%3D580/sign=[^\s]*?\.jpg)"'  #此处指定是http://imgsrc.baidu.com/forum/w%3D580/sign=地址开头的图片，并作为字符串
imger=re.compile(reg)                              # re.compile()函数用于编译正则表达式，生成一个‘正则表达式对象’
imglist=re.findall(imger,html)                     # re.findall()在字符串中找到‘正则表达式对象’所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表
n=0
for imgurl in imglist:
    urllib.request.urlretrieve(imgurl,r'C:\\Users\\Administrator\\PycharmProjects\\untitled\\venv1\\image\\%s.jpg'%n)
    n=n+1

结果如下：

小结：

1、正则表达式：

    '.'匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符；

    '*'匹配前一个字符零次到多次， '+'则是一次或多次，'?'匹配一次或零次，'[^\s]'匹配一个非空字符，'*?'常用搭配，匹配前一个或多个字符(可以重复匹配)；

    '\'+'字符'构成转义字符，'\'+'元字符或转义字符'使其无效化，r只是使转义字符失效；

2、'%'格式化字符串，最基本的用法是将 %后面的值 替换 格式符%_ ；%s指字符串，%d指整数；

3、在保存到某目录之前，要先检查一下目录是否存在，不存在则建立；

4、urllib.urlopen()方法用于打开一个URL地址，通常还要加read()获取数据；urllib.urlretrieve()将数据下载到本地。