python實作簡單爬蟲功能

　　在我們日常上網瀏覽網頁的時候，常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透過滑鼠右鍵，選擇另存為。但有些圖片滑鼠右鍵的時候並沒有另存為選項，還有辦法就透過就是透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，右鍵查看頁面原始碼。

　　我們可以透過python 來實現這樣一個簡單的爬蟲功能，把我們想要的程式碼爬取到本地。下面就來看看如何使用python來實現這樣一個功能。

 

 

一，取得整個頁面資料

 

首先我們可以先取得整個頁面中要下載圖片的資訊。

getjpg.py

#coding=utf-8
import urllib

def getHtml(url):
    page = urllib.urlopen(url)
    html = page.read()
    return html

html = getHtml("http://tieba.baidu.com/p/2738151262")

print html

　　Urllib 模組提供了讀取web頁面資料的接口，我們可以像讀取本機檔案一樣讀取www和ftp上的資料。首先，我們定義了一個getHtml()函數:

　　urllib.urlopen()方法用來開啟一個網址。

　　read()方法用於讀取URL上的數據，向getHtml()函數傳遞一個網址，並把整個頁面下載下來。執行程式就會把整個網頁列印輸出。

 

 

二，篩選頁中想要的資料

 

　　Python 提供了非常強大的正則表達式，我們需要先了解一點python 式表達式的知識式，我們需要先了解一點python 式表達式的知識式。

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

我們修改程式碼如下：

　又建立了getImg()函數，用於在獲取的整個頁面中篩選所需的圖片連接。 re模組主要包含了正規表示式：

　　re.compile() 可以把正規表示式編譯成一個正規表示式物件.

　　re.findall() 方法讀取html 則包含 imgre（正則表達式）的資料表達式。

 　　 運作腳本將會得到整個頁面中包含圖片的URL位址。

 

 

三，將頁面篩選的資料保存到本地

 

把篩選的圖片地址通過for循環遍歷並保存到本地，代碼如下：

import re
import urllib

def getHtml(url):
    page = urllib.urlopen(url)
    html = page.read()
    return html

def 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)

urlre )方法，直接將遠端資料下載到本機。

　　透過一個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範，對其進行重命名，命名規則通過x變量加1。儲存的位置預設為程式的存放目錄。

程式運行完成，將在目錄下看到下載到本地的檔案。