本文主要实现一个简单的爬虫,目的是从一个百度贴吧页面下载图片。下载图片的步骤如下:
1、获取网页html文本内容;
2、分析html中图片的html标签特征,用正则解析出所有的图片url链接列表;
3、根据图片的url链接列表将图片下载到本地文件夹中。
#!/usr/bin/python
# coding:utf-8
# 实现一个简单的爬虫,爬取百度贴吧图片
import urllib
import re
# 根据url获取网页html内容
def getHtmlContent(url):
page = urllib.urlopen(url)
return page.read()
# 从html中解析出所有jpg图片的url
# 百度贴吧html中jpg图片的url格式为:<img ... src="XXX.jpg" width=...>
def getJPGs(html):
# 解析jpg图片url的正则
jpgReg = re.compile(r'<img.+?src="(.+?\.jpg)" width') # 注:这里最后加一个'width'是为了提高匹配精确度
# 解析出jpg的url列表
jpgs = re.findall(jpgReg,html)
return jpgs
# 用图片url下载图片并保存成制定文件名
def downloadJPG(imgUrl,fileName):
urllib.urlretrieve(imgUrl,fileName)
# 批量下载图片,默认保存到当前目录下
def batchDownloadJPGs(imgUrls,path = './'):
# 用于给图片命名
count = 1
for url in imgUrls:
downloadJPG(url,''.join([path,'{0}.jpg'.format(count)]))
count = count + 1
# 封装:从百度贴吧网页下载图片
def download(url):
html = getHtmlContent(url)
jpgs = getJPGs(html)
batchDownloadJPGs(jpgs)
def main():
url = 'http://tieba.baidu.com/p/2256306796'
download(url)
if __name__ == '__main__':
main()
在 python3是运行这段爬虫代码遇到无法执行的问题
问题一:AttributeError: module 'urllib' has no attribute 'urlopen'和AttributeError: module 'urllib' has no attribute 'urlretrieve'
解决办法:通过网上查看在python3版本与python2使用urllib确实存在差异,在python3版本需要使用urllib.request,解决方法就是把代码中使用的urllib统一使用urllib.request。代码修改如下:
import urllib.requst
page = urllib.requst.urlopen(url)
urllib.requst.urlretrieve(imgUrl,fileName)
问题二:TypeError: cannot use a string pattern on a bytes-like object
出错的代码分析jpgs = re.findall(jpgReg,html)函数返回的是bytes,而不是string,所以这里报类型错误。
解决方法是:把’html’类型调整一下:html.decode(‘utf-8’)
# 解析出jpg的url列表
jpgs = re.findall(jpgReg,html)