python爬取网络图片_python学习之路（七）：牛刀小试，爬取网络图片下载到电脑...

自学python今天刚好一星期，今天准备来写第一个正式的脚本代码，以前知道python，是从网络爬虫才开始知道python的。最开始对python的印象就是网络爬虫，所以今天的第一个python就写一个简单的爬虫脚本。

在网上找了一个壁纸网页（http://www.win4000.com/zt/fengjing_1.html），想把里面的壁纸下载保存到电脑，但是一张一张的下载太费力气了，所以就写一个python爬取里面的图片地址，然后保存在电脑上。

写这个脚本用到前面几篇文章里讲到的一些知识点有：

1、 函数的创建与调用

2、 内置模块的导入

3、 For循环

4、 字符串编码(这个前面几篇里没讲过)

思路：

在这个脚本中用到python内置的模块有urllib模块，和re模块。Urllib模块是python内置的一个HTTP请求模块。Re模块是python内置的一个正则表达式模块。我们用urllib请求到网页的源代码，然后用正则表达式匹配出图片的下载地址。然后用for循环一张一张的把图片下载到电脑。

实现：

1、新建一个py文件，导入urllib和re模块。

Urllib里面包括很多子模块。包括以下模块

urllib.request 请求模块

urllib.error 异常处理模块

urllib.parse url解析模块

urllib.robotparser robots.txt解析模块

在这个脚本中只用到请求模块，所以就只导入urllib.request就好了。

2、写一个名为getHtml的函数，然后用urllib.request请求到网页源代码

给这个函数一个URL参数，然后用urllib.request请求到网页源代码，上面的变量html就是网页的源代码。

Html.decode(‘utf-8’)是网页的编码，如果编码不对，请求到的网页源码很可能是乱码的。我们可以在网页中用鼠标右键，然后查看网页源代码。

在源代码的头部会有这个网页的编码，我门根据这个编码写到代码里。

3、写一个名为getImg的函数，然后用re模块从上面一步中得到的网页源代码筛选出图片的url

在网页中鼠标右键查看源代码，可以看到这个网页的图片真实地址是放在img标签的data-original属性里面。

所以我们的正则表达式就写成这样

reg = r'data-original = "(.+?\.jpg)"'

注意data-original后面的等于号两边都有空格，所以在正则表达式里也要打空格。

函数返回的imglist就是图片的url列表。

正则表达式也不是三言两语能说清的，想了解的可以阅读百度百科正则表达式：

https://baike.baidu.com/item/正则表达式/1700215

百度百科里面有很详细的介绍。

5、写一个名为downImg的函数

用for循环把上一步得到的imglist循环下载到电脑。调用urllib模块中的urllib.request.urlretrieve函数，把图片保存在电脑里。我这里是保存在D盘的images目录下

6、 调用前面的写3个函数。

首先调用getHtml传入网页连接，得到源代码html

然后调用getImg传入源代码,得到图片列表imglist

最后调用downImg传入图片列表开始下载

完整代码如下：

运行结果：

电脑存D盘的images目录：

再加个循环，我们可以把前几页所有的图片都下载下来。把网页翻到第二页。查看第二页的连接。

可以发现一个规律，网站地址的.thml前面就是下划线+页数。可以根据这个规律来下载指定页数内的所有图片。只需在调用上面的三个函数的时候，加个循环拼接网页的地址，循环调用即可。

给downImg函数加个页数pageNum的参数。然后保存图片命名以页数开头命名。加个页数开头以防止后面一页把前面一页下载的图片给覆盖了。

运行代码后，前五页145张图片都已经下载到电脑里了。

当然上面爬取数据的方式是最简单的，数据量多的话效率不是很理想，现在有很多优秀的第三方模块都可以代替内置的模块，有时间的话我找一个好用的第三方爬虫模块来说一下。