python如何实现简单的爬虫功能

        我们在浏览网页的时候，有时会看到一些或者很多好看的图片，希望能将它们快速有效的保存起来，当个壁纸了，设置成某个应用的背景等等。

        首先我们大多数人最常规的做法就是通过鼠标右键要保存的图片，然后另存为。但是，有些图片并没有另存为选项，怎么办？截图？（如果你不要求清晰度和完整度可以考虑截图）其实我们可以通过python来实现这样一个简单的爬虫功能，把我们想要的代码爬到本地，很方便而且快捷有效。下面我们来大概讲解一下。

一、获取整个需要爬虫的页面数据

首先呢，我们给这个py文件取个名字，叫getpicture.py，以baidu页面举个栗子：

#coding=utf-8import urllibdef getHtml(url):    page = urllib.urlopen(url)    html = page.read()    return htmlhtml = getHtml("http://www.baidu.com/")print html

Urllib 模块提供了读取web页面数据的接口，我们可以像读取本地文件一样读取www和ftp上的数据。首先，我们定义了一个getHtml()函数:

　　urllib.urlopen()方法用于打开一个URL地址。

　　read()方法用于读取URL上的数据，向getHtml()函数传递一个网址，并把整个页面下载下来。执行程序就会把整个网页打印输出。

二、筛选我们想要获取的数据（需要了解关于python正则表达式的知识）

如图所示，我们找到了一个图片的地址：

修改一下我们的代码：

import reimport urllibdef getHtml(url):    page = urllib.urlopen(url)    html = page.read()    return htmldef getImg(html):    reg = r'src="(.+?\.png)" pic_ext'    imgre = re.compile(reg)    imglist = re.findall(imgre,html)    return imglist         html = getHtml("http://www.baidu.com/")print getImg(html)

我们又创建了getImg()函数，用于在获取的整个页面中筛选需要的图片连接。re模块主要包含了正则表达式：

re.compile() 可以把正则表达式编译成一个正则表达式对象，re.findall() 方法读取html 中包含 imgre（正则表达式）的数据，运行脚本将得到整个页面中包含图片的URL地址。

三、将页面筛选的数据保存到本地

通过for循环变量并保存，代码如下：

#coding=utf-8import urllibimport redef getHtml(url):    page = urllib.urlopen(url)    html = page.read()    return htmldef getImg(html):    reg = r'src="(.+?\.jpg)" pic_ext'    imgre = re.compile(reg)    imglist = re.findall(imgre,html)    x = 0    for imgurl in imglist:        urllib.urlretrieve(imgurl,'%s.jpg' % x)        x+=1html = getHtml("http://www.baidu.com/")print getImg(html)

通过一个for循环对获取的图片连接进行遍历，为了使图片的文件名看上去更规范，对其进行重命名，命名规则通过x变量加1。保存的位置默认为程序的存放目录。运行脚本成功后，可以看到我们已经把要筛选的图片爬下来了。