python實現簡單爬蟲功能

　　在我們日常上網瀏覽網頁的時候，經常會看到一些好看的圖片，我們就希望把這些圖片保存下載，或者用戶用來做桌面壁紙，或者用來做設計的素材。

　　我們最常規的做法就是通過鼠標右鍵，選擇另存為。但有些圖片鼠標右鍵的時候并沒有另存為選項，還有辦法就通過就是通過截圖工具截取下來，但這樣就降低圖片的清晰度。好吧～！其實你很厲害的，右鍵查看頁面源代碼。

　　我們可以通過python 來實現這樣一個簡單的爬蟲功能，把我們想要的代碼爬取到本地。下面就看看如何使用python來實現這樣一個功能。

一，獲取整個頁面數據

首先我們可以先獲取要下載圖片的整個頁面信息。

getjpg.py

#coding=utf-8import urllibdef getHtml(url): page = urllib.urlopen(url) html = page.read() return htmlhtml = getHtml('http://tieba.baidu.com/p/2738151262')print html

　　Urllib 模塊提供了讀取web頁面數據的接口，我們可以像讀取本地文件一樣讀取www和ftp上的數據。首先，我們定義了一個getHtml()函數:

　　urllib.urlopen()方法用于打開一個URL地址。

　　read()方法用于讀取URL上的數據，向getHtml()函數傳遞一個網址，并把整個頁面下載下來。執行程序就會把整個網頁打印輸出。

二，篩選頁面中想要的數據

　　Python 提供了非常強大的正則表達式，我們需要先要了解一點python 正則表達式的知識才行。

http://www.cnblogs.com/fnng/archive/2013/05/20/3089816.html

假如我們百度貼吧找到了幾張漂亮的壁紙，通過到前段查看工具。找到了圖片的地址，如：src=”http://imgsrc.baidu.com/forum......jpg”pic_ext=”jpeg”

修改代碼如下：

import reimport urllibdef 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) return imglist html = getHtml('http://tieba.baidu.com/p/2460150866')print getImg(html)

　　我們又創建了getImg()函數，用于在獲取的整個頁面中篩選需要的圖片連接。re模塊主要包含了正則表達式：

　　re.compile() 可以把正則表達式編譯成一個正則表達式對象.

　　re.findall() 方法讀取html 中包含 imgre（正則表達式）的數據。

 　　 運行腳本將得到整個頁面中包含圖片的URL地址。

三，將頁面篩選的數據保存到本地

把篩選的圖片地址通過for循環遍歷并保存到本地，代碼如下：

#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://tieba.baidu.com/p/2460150866')print getImg(html)

　　這里的核心是用到了urllib.urlretrieve()方法，直接將遠程數據下載到本地。

　　通過一個for循環對獲取的圖片連接進行遍歷，為了使圖片的文件名看上去更規范，對其進行重命名，命名規則通過x變量加1。保存的位置默認為程序的存放目錄。

程序運行完成，將在目錄下看到下載到本地的文件。