python实现简单的爬虫功能

在我们日常上网浏览网页的时候，经常会看到一些好看的图片，我们就希望把这些图片保存下载，或者用户用来做桌面壁纸，或者用来做设计的素材。我们最常规的做法就是通过鼠标右键，选择另存为。但有些图片鼠标右键的时候并没有另存为选项，还有办法就通过就是通过截图工具截取下来，但这样就降低图片的清晰度。好吧～！其实你很厉害的，右键查看页面源代码。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取到本地。下面就看看如何使用python来实现这样一个功能。一，获取整个页面数据首先我们可以先获取要下载图片的整个页面信息。getjpg.py#coding=utf-8importurllibdefgetHtml(url):page=urllib.urlopen(url)html=page.read()returnhtmlhtml=getHtml()printhtmlUrllib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，筛选页面中想要的数据Python提供了非常强大的正则表达式，我们需要先要了解一点python正则表达式的知识才行。假如我们百度贴吧找到了几张漂亮的壁纸，通过到前段查看工具。找到了图片的地址，如：src=””pic_ext=”jpeg”修改代码如下：importreimporturllibdefgetHtml(url):page=urllib.urlopen(url)html=page.read()returnhtmldefgetImg(html):reg=r'src=(.+?\.jpg)pic_ext'imgre=re.compile(reg)imglist=re.findall(imgre,html)returnimglisthtml=getHtml()printgetImg(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把筛选的图片地址通过for循环遍历并保存到本地，代码如下：#coding=utf-8importurllibimportredefgetHtml(url):page=urllib.urlopen(url)html=page.read()returnhtmldefgetImg(html):reg=r'src=(.+?\.jpg)pic_ext'imgre=re.compile(reg)imglist=re.findall(imgre,html)x=0forimgurlinimglist:urllib.urlretrieve(imgurl,'%s.jpg'%x)x+=1html=getHtml()printgetImg(html)这里的核心是用到了urllib.urlretrieve()方法，直接将远程数据下载到本地。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。程序运行完成，将在目录下看到下载到本地的文件。