这是一种通用的爬虫方法。
import os
import requests
from bs4 import BeautifulSoup
# 函数:下载图片
def download_image(url, save_dir, headers, proxies):
# 发送 GET 请求,包括请求头和代理
response = requests.get(url, headers=headers, proxies=proxies)
# 提取文件名
filename = url.split('/')[-1]
# 拼接保存路径和文件名
filepath = os.path.join(save_dir, filename)
# 保存文件到本地
with open(filepath, 'wb') as f:
f.write(response.content)
# 函数:爬取网页上的所有图片并保存到本地
def crawl_images(url, save_dir, headers, proxies):
# 发送 GET 请求,包括请求头和代理
response = requests.get(url, headers=headers, proxies=proxies)
# 解析 HTML 页面
soup = BeautifulSoup(response.content, 'html.parser')
# 提取页面中的所有图片链接
img_links = [link['src'] for link in soup.find_all('img')]
# 下载图片并保存到本地
for link in img_links:
download_image(link, save_dir, headers, proxies)
if __name__ == '__main__':
# 设置要爬取的网页 URL 和保存目录
url = 'https://www.example.com'
save_dir = './images'
# 设置请求头,伪装成浏览器访问
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'
}
# 设置代理,如果你有代理可以在这里设置
proxies = {
'http': 'http://10.10.1.10:3128',
'https': 'http://10.10.1.10:1080',
}
# 创建保存目录
if not os.path.exists(save_dir):
os.makedirs(save_dir)
# 调用函数进行爬取
crawl_images(url, save_dir, headers, proxies)
这个程序是一个简单的Python网络爬虫,它的目的是从指定的网页URL中下载所有的图片并保存到本地目录。程序主要包含两个函数和一个主执行块:
-
download_image
函数:接收一个图片的URL、保存目录、请求头和代理信息,然后通过发送GET请求下载图片,并将其保存到指定的目录中。 -
crawl_images
函数:接收一个网页的URL、保存目录、请求头和代理信息,然后发送GET请求以获取整个网页的内容。使用BeautifulSoup库解析HTML内容,找到所有的<img>
标签,并提取它们的src
属性(即图片的URL)。然后,对于每个找到的图片URL,调用download_image
函数下载并保存图片。 -
主执行块:这部分代码首先定义了要爬取的网页URL和图片保存的本地目录。然后,它设置了用户代理(User-Agent)和代理服务器信息,这些信息用来模拟浏览器行为并可能绕过简单的访问限制。如果图片保存目录不存在,程序会创建该目录。最后,调用
crawl_images
函数开始爬取过程。
整个程序的工作流程是:
- 配置要爬取的网页URL和图片保存目录。
- 配置请求头和代理,以便更好地模拟正常用户的行为。
- 访问网页并解析HTML内容,找到所有图片链接。
- 下载每个图片链接指向的图片文件,并保存到本地指定目录。
这个程序可以作为爬取网页图片的基础模板,根据实际需求进行修改和扩展。