Python爬虫学习笔记一：简单网页图片抓取

利用python抓取网络图片的步骤是：

1、根据给定的网址获取网页源代码

2、利用正则表达式把源代码中的图片地址过滤出来

3、根据过滤出来的图片地址下载网络图片

以下是比较简单的一个抓取某一个百度贴吧网页的图片的实现：

# -*- coding: utf-8 -*-# feimengjuanimport reimport urllibimport urllib2#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 htmldef getImg(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    x = 0    for imgurl in imglist:        urllib.urlretrieve(imgurl,'%s.jpg' %x) #打开imglist中保存的图片网址，并下载图片保存在本地        x = x + 1html = 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getImg(html)#从网页源代码中分析并下载保存图片

进一步对代码进行了整理，在本地创建了一个“图片”文件夹来保存图片

# -*- coding: utf-8 -*-# feimengjuanimport reimport urllibimport urllib2import 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(path) #创建本地文件夹    imglist = getAllImg(html) #获取图片的地址列表    saveImages(imglist,path) # 保存图片

结果在“图片”文件夹下保存了几十张图片，如截图：