[脚本收集]提取国家地理图片

1. 利用urllib2.urlopen取得页面的内容
2. 利用正则表达式取得src标签为.jpg的URL
3. 保存图片


urllib2是python的一个获取url（Uniform Resource Locators，统一资源定址器）的模块。它用urlopen函数的形式提供了一个非常简洁的接口。这使得用各种各样的协议获取url成为可能。它同时 也提供了一个稍微复杂的接口来处理常见的状况-如基本的认证，cookies，代理，等等。这些都是由叫做opener和handler的对象来处理的。

高级功能：
1. 注意http://photography.nationalgeographic.com/ngs_pod_ext/searchPOD.jsp?month=08&day=26&year=2009&page=
最好能实现把某年的所有图片都一个一个保存下来（省掉多少Save的

Code
#!/usr/bin/env python
#coding=utf-8
import urllib2 
import re 
import urllib 
urltemplate = 'http://photography.nationalgeographic.com/ngs_pod_ext/searchPOD.jsp?month=%d&day=%d&year=2009&page=' 
urlList = [urltemplate %(month, day) for month in range(1, 13) for day in range(1, 32)] 
# define a regex to get the img src 
imgre = '<img alt="(?P<alt>[^"]*)" src="(?P<src>/staticfiles/NGS/Shared/StaticFiles/Photography/Images/POD/.+?-ga.jpg)">' 
p = re.compile('<img.+?>.+?</a>', re.I|re.S) 
for url in urlList: 
    # get page html 
    page = urllib2.urlopen(url) 
    txt = page.read() 
    #page.close() 
    m = p.findall(txt) 
    imgre = '<img alt="(?P<alt>[^"]*)" src="(?P<src>/staticfiles/NGS/Shared/StaticFiles/Photography/Images/POD/.+?-ga.jpg)">'  
    for n in m: 
        p1=re.compile(imgre, re.I|re.S) 
        m1= p1.search(n) 
        if(m1!=None): 
            tmp=m1.group(2) 
            url="http://photography.nationalgeographic.com/" + tmp 
            n1=tmp.split("/") 
            urllib.urlretrieve(url,"D:\\My Work\\"+n1[-1])

工作啊）
2. 把获得的图片保存在制定目录下
3. 实现GUI获取指定网址下图片（比如163相册，Tripntale相册）

1. 初始版本：只能得到图片的信息，并没有真正保存到本地.

Code
import urllib2
import re

# get page html
page = urllib2.urlopen("http://photography.nationalgeographic.com/ngs_pod_ext/searchPOD.jsp?month=06&day=10&year=2009&page=")
txt = page.read()
#txt2 = page.read()
page.close()

# define a regex to get the img src
imgre = '<img alt="(?P<alt>[^"]*)" src="(?P<src>/staticfiles/NGS/Shared/StaticFiles/Photography/Images/POD/.+?-ga.jpg)">'

# define a regex to get summary
summaryre = '<div class="summary">\s*<h1 class="podsummary">(?P<podsummary>[^<h>]*)</h1>\s*<p class="credit">(?P<credit>[^</>]*)</p>\s*<div class="description">(?P<desc>.*?)<div style="float:right'

# get img alt and source
m2 = re.search(imgre, txt)
if m2 is not None:
    print "get picture alt is '%s', src is 'http://photography.nationalgeographic.com%s'" % \
          (m2.group("alt"), m2.group("src"))

# get description
m3 = re.search(summaryre, txt, re.I|re.M|re.S)
if m3 is not None:
    print "photo desc: summary is '%s', credit by '%s', desciption is '%s'" % (m3.group("podsummary"), m3.group("credit"), m3.group("desc"))

2. 优化后的版本，对页面所有img标签进行过滤，并查出每日一图的照片，保存到本地目录。

Code
import urllib2
import re
import urllib
# get page html
page = urllib2.urlopen("http://photography.nationalgeographic.com/ngs_pod_ext/searchPOD.jsp?month=08&day=26&year=2009&page=")
txt = page.read()
page.close()

# define a regex to get the img src
imgre = '<img alt="(?P<alt>[^"]*)" src="(?P<src>/staticfiles/NGS/Shared/StaticFiles/Photography/Images/POD/.+?-ga.jpg)">'

p = re.compile('<img.+?>.+?</a>', re.I|re.S)
m = p.findall(txt)

imgre = '<img alt="(?P<alt>[^"]*)" src="(?P<src>/staticfiles/NGS/Shared/StaticFiles/Photography/Images/POD/.+?-ga.jpg)">'
for n in m:
    p1=re.compile(imgre, re.I|re.S)
    m1= p1.search(n)
    if(m1!=None):
        tmp=m1.group(2)
        url="http://photography.nationalgeographic.com/" + tmp
        n1=tmp.split("/")
        urllib.urlretrieve(url,"D:\\My Work\\"+n1[-1])

 

3. 在考虑如何保存到本地的时候， 遇到一个问题，在嵌套参数化month和day，其中month在（1，13）之间，day在（1， 32）之间，这个时候我一直不知道该怎么去操作，在chinaunix问了，也没人理我，估计是因为问题太简单。。。

    后来在详细研究语法的时候看到print [(x, y) for x in range(3) for y in range(3)]，我才恍然大悟，原来还可以这样用啊，于是就产生了一下的版本：（还没来得及调，待调试通过，我会更新，不过基本思路是一样的）