前言
什么是网络爬虫(也叫网络蜘蛛)?简单来说,是一种用来自动浏览万维网程序或脚本(网络爬虫的典型应用就是我们所熟知的搜索引擎)。既然如此,那么我们也可以写一个程序,用来自动浏览或者获取网页上的信息。本文将介绍利用python自带库编写一个简单的爬虫程序来获取网络信息。
准备
本次爬取实例可能涉及以下知识:python基础知识
urllib库使用
http基本知识
html/js基本知识
正则表达式
环境准备:linux(windows基本适用)
python3
chrome浏览器
爬取目标
本次爬取的目标是知乎话题下的图片。
分析
以知乎话题你有哪些压箱底的表情包?为例
(链接地址:https://www.zhihu.com/question/48132860):
用chrome浏览器打开该链接。鼠标右键-检查元素,在elements页移动鼠标,当鼠标移动到某元素时,页面会被选中,因此我们可以找到第一张图片的img标签,而在标签中,我们可以找到图片的url地址,复制url地址,在浏览器打开,我们就看到了需要下载的表情包了。
至此,整体思路就很简单了:访问话题页--找到img标签--获取图片url地址--下载图片。
查找链接
代码#!/usr/bin/python3
#coding=utf-8
import urllib.request as request
import urllib.parse as parse
import string
import sys
import re
import os
import urllib.error as error
'''
获取url中的图片
url:链接地址
dirpath:保存路径
'''
def getUrlImage(url,dirpath):
dldNum=0
#存储目录不存在时,创建目录
if not os.path.isdir(dirpath):
os.makedirs(dirpath)
data = request.urlopen(url).read()
page_data = data.decode('gbk','ignore')
#获取img标签数据
page_image = re.compile('
#循环获取img标签中的图片
for image in page_image.findall(page_data):
#匹配数据中的图片
pattern = re.compile(r'^https://.*.(jpg|png|gif|jpeg)$')
if pattern.match(image):
print (image)
try:
extension = GetFileNameAndExt(image)
#读取图片内容
image_data = request.urlopen(image).read()
image_path = dirpath+'/'+str(dldNum)+extension
dldNum += 1
print(image_path)
#保存图片
with open(image_path, 'wb') as image_file:
image_file.write(image_data)
image_file.close()
except error.URLError as e:
print('Download failed')
'''
获取文件名中的扩展名
'''
def GetFileNameAndExt(filename):
(filepath,tempfilename) = os.path.split(filename);
(shotname,extension) = os.path.splitext(tempfilename);
return extension
'''
入口函数
带两个参数
参数1:话题链接地址
参数2:图片保存路径
'''
if __name__ == "__main__":
if(len(sys.argv) < 2):
print("usage:./download_spider.py url savePath")
else:
print("the url is "+str(sys.argv[1]))
print("the save path is "+str(sys.argv[2]))
url = sys.argv[1]
savePath = sys.argv[2]
getUrlImage(url,savePath)
运行
有两个参数,第一个参数是url,即话题的链接,第二个参数是所要保存图片的路径。
在linux下运行,可以看到正在不断保存话题图片./getZhiHuImage.py https://www.zhihu.com/question/48132860 ./test
程序执行完成后可以在目的目录下发现下载好的图片,接下来就可以开心地去斗图啦。
下载结果
下载结果2
最后说两句
本文仅简单利用了python自带urllib库完成了话题图片的获取工作,但更多时候,爬取网络资源要更困难得的多,要获取的内容也不像本文例子中那么明显易得到,比如可能需要模拟登录,验证码识别,伪装成浏览器,去重等等,这里不再展开。但是Python中自带urllib及urllib2 库,基本上能满足一般的页面抓取了。