大家都知道,网上图片有很多,在我们需要的时候,我们总不能一张一张的下载吧,所以我这里写了一个程序,能够爬取静态网站的图片。这个方法主要是采用正则表达式,正则表达式说难也不难,但是就是刚开始学的时候会感觉到晦涩难懂,而且枯燥无味。但是只要能够多练练,要学会也不难,要精通就有点难了。
这里呢,我们需要导入四个包import re, urllib , urllib2 , os 。这些有什么用呢?下面的有讲解。
首先,我们需要获取网站路径地址。
#根据给定的网址来获取网页详细信息,得到的html就是网页的源代码
def getHtml(url):
page = urllib.urlopen(url)
html = page.read()
return html
这个主要是获得地址
接下来我们就需要对地址进行解析,获取网站中所有图片的图片链接,采用正则表达式,能够方便快捷。
#获取网页中所有图片的地址
def getAllImg(html):
#利用正则表达式把源代码中的图片地址过滤出来
reg = r'src="(.+?\.jpg)" pic_ext'
imgre = re.compile(reg)
imglist = imgre.findall(html) #表示在整个网页中过滤出所有图片的地址,放在imglist中
return imglist
好,现在呢,我们需要弄一个图片下载的地址,不然这些图片一般都是默认存储在.py这个文件的路径下。我们寻找起来也有点麻烦。下面这个就是代码;
mkdir('C:\\Users\\ASUS\\Desktop\\txt\\imgage') #创建本地文件夹
imglist = getAllImg(html) #获取图片的地址列表
saveImages(imglist,'C:\\Users\\ASUS\\Desktop\\txt\\imgage') # 保存图片
以上是对爬取静态网站的图片的各个程序段的分析,下面本楼主将会给大家完整的代码,这个是爬取百度贴吧的。各位有兴趣的道友可以去试试。
# -*- coding: utf-8 -*-
# feimengjuan
import re
import urllib
import urllib2
import os
#抓取网页图片
#根据给定的网址来获取网页详细信息,得到的html就是网页的源代码
def getHtml(url):
page = urllib.urlopen(url)
html = page.read()
return html
#创建保存图片的文件夹
def mkdir(path):
path = path.strip()
# 判断路径是否存在
# 存在 True
# 不存在 Flase
isExists = os.path.exists(path)
if not isExists:
print u'新建了名字叫做',path,u'的文件夹'
# 创建目录操作函数
os.makedirs(path)
return True
else:
# 如果目录存在则不创建,并提示目录已经存在
print u'名为',path,u'的文件夹已经创建成功'
return False
# 输入文件名,保存多张图片
def saveImages(imglist,name):
number = 1
for imageURL in imglist:
splitPath = imageURL.split('.')
fTail = splitPath.pop()
if len(fTail) > 3:
fTail = 'jpg'
fileName = name + "/" + str(number) + "." + fTail
# 对于每张图片地址,进行保存
try:
u = urllib2.urlopen(imageURL)
data = u.read()
f = open(fileName,'wb+')
f.write(data)
print u'正在保存的一张图片为',fileName
f.close()
except urllib2.URLError as e:
print (e.reason)
number += 1
#获取网页中所有图片的地址
def getAllImg(html):
#利用正则表达式把源代码中的图片地址过滤出来
reg = r'src="(.+?\.jpg)" pic_ext'
imgre = re.compile(reg)
imglist = imgre.findall(html) #表示在整个网页中过滤出所有图片的地址,放在imglist中
return imglist
#创建本地保存文件夹,并下载保存图片
if __name__ == '__main__':
html = getHtml("http://tieba.baidu.com/p/2460150866")#获取该网址网页详细信息,得到的html就是网页的源代码
path = u'图片'
mkdir('C:\\Users\\ASUS\\Desktop\\txt\\imgage') #创建本地文件夹
imglist = getAllImg(html) #获取图片的地址列表
saveImages(imglist,'C:\\Users\\ASUS\\Desktop\\txt\\imgage') # 保存图片