import requests
import re
import os
#需求:爬取糗事百科中糗图板块下所有的糗图图片
if __name__ == "__main__":
#创建一个文件夹,保存所有的图片
if not os.path.exists('./qiutuLibs'):
os.mkdir('./qiutuLibs')
url = 'https://www.qiushibaike.com/pic/'
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'
}
#使用通用爬虫对url对应的一整张页面进行爬取
page_text = requests.get(url=url,headers=headers).text
#使用聚焦爬虫将页面中所有的糗图进行解析/提取
#.匹配除\n以外的任一字符 *前边的字符出现0次或以上 .*贪婪
#.*?非贪婪 遇到开始和结束就进行提取 因此截取多次符合的结果
#(.*?) 截取符合的开始到结束括号的内容
ex = '<div class="thumb">.*?<img src="(.*?)" alt.*?</div>'
#re.findall('正则表达式','要匹配到的文本')返回一个列表
#re.S参数 考虑换行 把两行间符合的串也给返回
img_src_list = re.findall(ex,page_text,re.S)
#指定url解析完毕(不含协议头)
# print(img_src_list)
for src in img_src_list:
#添加协议头 拼接出一个完整的图片url
src = 'https:'+src
#请求到了图片的二进制数据
img_data = requests.get(url=src,headers=headers).content
#生成图片名称
img_name = src.split('/')[-1]
#图片存储的路径
imgPath = './qiutuLibs/'+img_name
with open(imgPath,'wb') as fp:
fp.write(img_data)
print(img_name,'下载成功!!!')
正则解析(路飞学城
最新推荐文章于 2024-07-29 09:12:15 发布