python爬虫练习（获取网页图片并保存到本地）

简单爬取网页步骤：

        1）分析网页元素

        2）使用urllib2打开链接   ---python3是 from urllib import request

        3）读取链接文本

        4）使用re匹配出期望文本内容并分条存入list

代码：

import re

from urllib import request

def spider_mm():
    #<img src="http://i1.whymtj.com/uploads/tu/201905/10220/z6cs1a6z.jpg" width="180" height="270" />
    req = request.urlopen('http://www.umei.cc/meinvtupian/')
    buf = req.read().decode('utf-8')
    #print(buf)
    list_url = re.findall(r'src=.+\.jpg', buf)
    #print(list_url)

    # 把src="去掉
    for i in range(len(list_url)):
        list_url[i] = re.sub(r'src="', '', list_url[i])
        print(list_url[i])


    i = 0
    for url in list_url:   #读取并保存到本地
        f = open('D:\\mooc\\' + str(i) + '.jpg', 'wb+')
        #req = request.urlopen('http:' + url)  # 必须要加上http:
        req = request.urlopen( url)  # 必须要加上http:
        buf = req.read()
        f.write(buf)
        f.close()
        i += 1

spider_mm()

2.对于这类html的网页爬取

http://news.jxufe.cn/news-show-94934.html

import urllib.request
import re
import os
#导入时间模板，用于制作时间戳的图片名称以及让线程休眠
import time
#设置要爬取的网页
ur = urllib.request.urlopen("http://news.jxufe.cn/news-show-94934.html")
#读取网页数据
content = ur.read()
#设置读取的编码格式
mystr = content.decode("utf8")
#关闭读取对象
ur.close()
#分析该网页图片，有以下两种形式，因此我们找他们的公共正则表达式
#<img src="http://news.jxufe.cn/uploadfile/201911/images/1572859630_9507.jpeg" data_ue_src="http://news.jxufe.cn/uploadfile/201911/images/1572859630_9507.jpeg"
#<img src="/uploadfile/201911/images/1572859630_9555.jpeg" data_ue_src="/uploadfile/201911/images/1572859630_9555.jpeg"
#设置正则表达式格式
p=r'(/uploadfile\S{1,}.jpeg)'
#将正则表达式的字符串形式编译为pattern实例
pattern = re.compile(p)
#获取返回匹配的所有字符串，形式为数组
li = re.findall(pattern,mystr)
os.makedirs('D://mooc/',exist_ok=True)
for a in li:
    a='http://news.jxufe.cn'+a
    print("下载图片："+a)
    b=a.split('/')[-1]
    urllib.request.urlretrieve(a,'D://mooc/'+b+".jpeg")
    time.sleep(1)

3.爬取百度图片并保存到本地

注明：在D盘新建一个mooc文件夹，爬取获得的图片都在该文件夹中。

1.输入关键字，爬取关键字百度图片

2.直接输入网页链接

    #下载指定网页图片
    #url_init = r'http://image.baidu.com/search/index?tn=baiduimage&word= keyword'
    #输入你想要的关键字，搜索关键字图片
    keyword = 'iu'  # 关键词, 改为你想输入的词即可, 相当于在百度图片里搜索一样
    url_init_first = r'http://image.baidu.com/search/flip?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&fm=result&fr=&sf=1&fmq=1497491098685_R&pv=&ic=0&nc=1&z=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&ctd=1497491098685%5E00_1519X735&word='
    url_init = url_init_first + urllib.parse.quote(keyword, safe='/')

# -*- coding: utf-8 -*-
"""根据搜索词下载百度图片"""
import re
import sys
import urllib
import requests
def get_onepage_urls(onepageurl):
    """获取单个翻页的所有图片的urls+当前翻页的下一翻页的url"""
    if not onepageurl:
        print('已到最后一页, 结束')
        return [], ''
    try:
        html = requests.get(onepageurl)
        html.encoding = 'utf-8'
        html = html.text
    except Exception as e:
        print(e)
        pic_urls = []
        fanye_url = ''
        return pic_urls, fanye_url
    pic_urls = re.findall('"objURL":"(.*?)",', html, re.S)
    fanye_urls = re.findall(re.compile(r'<a href="(.*)" class="n">下一页</a>'), html, flags=0)
    fanye_url = 'http://image.baidu.com' + fanye_urls[0] if fanye_urls else ''
    return pic_urls, fanye_url


def down_pic(pic_urls):
    """给出图片链接列表, 下载所有图片"""
    for i, pic_url in enumerate(pic_urls):
        try:
            pic = requests.get(pic_url, timeout=15)
            string = "D:\\mooc\\" + str(i + 1) + '.jpg'
            with open(string, 'wb') as f:
                f.write(pic.content)
                print('成功下载第%s张图片: %s' % (str(i + 1), str(pic_url)))
        except Exception as e:
            print('下载第%s张图片时失败: %s' % (str(i + 1), str(pic_url)))
            print(e)
            continue

if __name__ == '__main__':
    #下载指定网页图片
    #url_init = r'http://image.baidu.com/search/index?tn=baiduimage&word= keyword'
    #输入你想要的关键字，搜索关键字图片
    keyword = 'iu'  # 关键词, 改为你想输入的词即可, 相当于在百度图片里搜索一样
    url_init_first = r'http://image.baidu.com/search/flip?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&fm=result&fr=&sf=1&fmq=1497491098685_R&pv=&ic=0&nc=1&z=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&ctd=1497491098685%5E00_1519X735&word='
    url_init = url_init_first + urllib.parse.quote(keyword, safe='/')

    all_pic_urls = []
    onepage_urls, fanye_url = get_onepage_urls(url_init)
    all_pic_urls.extend(onepage_urls)

    fanye_count = 0  # 累计翻页数
    while 1:
        onepage_urls, fanye_url = get_onepage_urls(fanye_url)
        fanye_count += 1
        # print('第页' % str(fanye_count))
        if fanye_url == '' and onepage_urls == []:
            break
        all_pic_urls.extend(onepage_urls)

    down_pic(list(set(all_pic_urls)))