入門:
爬蟲分為三步;1.抓取網頁html
2.分析語義,各取所需
3.儲存數據 / 展示成果
1. 網頁抓取
import re
import urllib
def getHtml(url):
page = urllib.urlopen(url)
return page.read()
2. 分析語義
def getImg(html):
reg = r'<img src="(.*?\.png)">'
imgre = re.compile(reg)
imglist = re.findall(imgre,html)
x=0
for imgurl in imglist:
urllib.urlretrieve(imgurl,'%s.png' % x)
print '%s.png' % x
x+=1
這裡面涉及很多問題,正則表達式是一環,解析網頁還有BeautifulSoup這類工具。
3. 儲存數據 / 展示應用
//上述代碼已完成//
簡單的調用就可以了。
html = getHtml("http://www.ifeng.com")
getImg(html)
當然有些網頁會做一些保護措施,不讓別人爬,可惡,那我們要在代碼裡做一些改動吧?!!
有個哥們的連接 看看