先以简单爬虫,爬取应用市场单个页面的APP Logo为例讲解爬虫的基本操作。
一、获取整个页面的数据
首先我们可以先获取要下载的图片的整个页面的信心。
import urllib
import re
def getHtml(url):
page = urllib.urlopen(url)
html = page.read()
return html
其中的urlib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
urlib.urlopen()方法用于打开一个URL地址。
read()方法用于读取URL上的数据,像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出来。
二、筛选页面中想要的数据。
Python提供了非常强大的正则表达式,我们可以先学习下Python的正则表达式。
假如我们想要提取应用市场中的图片。
修改代码如下:
import re
import urllib
def getHtml(url):
page = urllib.urlopen(url)
html = page.read()
return html
def getImg(html):
reg = r'src="(.+?\.png)"'
imgre = re.compile(reg)
imglist = re.findall(imgre,html)
return imglist
html = getHtml("http://tieba.baidu.com/p/2460150866")
print getImg(html)
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image的数据。
运行脚本将得到整个页面中包含图片的URL地址。
三、将页面筛选的数据保存到本地
把筛选的图片地址通过for循环遍历保存到本地,代码如下:
import urllib
import re
def getHtml(url):
page = urllib.urlopen(url)
html = page.read()
return html
def getImg(html):
reg = r'src="(.+?\.png)"'
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://www.appchina.com/")
print getImg(html)
这里的核心urllib.urlretrieve()方法,直接将远程数据下载到本地。
通过一个for循环对获取到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。