Python爬⾍抓取指定⽹页图⽚代码实例
想要爬取指定⽹页中的图⽚主要需要以下三个步骤：
（1）指定⽹站链接，抓取该⽹站的源代码（如果使⽤google浏览器就是按下⿏标右键 -> Inspect-> Elements 中的 html 内容）
（2）根据你要抓取的内容设置正则表达式以匹配要抓取的内容
僵尸片大全林正英（3）设置循环列表，重复抓取和保存内容
以下介绍了两种⽅法实现抓取指定⽹页中图⽚
（1）⽅法⼀：使⽤正则表达式过滤抓到的 html 内容字符串
# 第⼀个简单的爬取图⽚的程序
quest # python⾃带的爬操作url的库
import re # 正则表达式
# 该⽅法传⼊url，返回url的html的源代码
def getHtmlCode(url):
# 以下⼏⾏注释的代码在本程序中有加没加效果⼀样，但是为了隐藏⾃⼰避免被反爬⾍可以假如这个伪装的头部请求
headers = {
'User-Agent': 'Mozilla/5.0(Linux; Android 6.0; Nexus 5 Build/MRA58N) \
AppleWebKit/537.36(KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36'
}
# 将headers头部添加到url，模拟浏览器访问
url = quest.Request(url, headers=headers)
# 将url页⾯的源代码保存成字符串
page = quest.urlopen(url).read()
# 字符串转码
page = page.decode('UTF-8')
return page
# 该⽅法传⼊html的源代码，通过截取其中的img标签，将图⽚保存到本机
def getImage(page):
# [^\s]*? 表⽰最⼩匹配，两个括号表⽰列表中有两个元组
# imageList = re.findall(r'(https:[^\s]*?(png))"', page)
imageList = re.findall(r'(https:[^\s]*?(jpg|png|gif))"', page)
x = 0
# 循环列表
for imageUrl in imageList:
try:
print('正在下载: %s' % imageUrl[0])
# 这个image⽂件夹需要先创建好才能看到结果
image_save_path = './image/%d.png' % x
# 下载图⽚并且保存到指定⽂件夹中
x = x + 1
except:
continue
pass
if __name__ == '__main__':
# 指定要爬取的⽹站
url = "wwwblogs/ttweixiao-IT-program/p/13324826.html"
# 得到该⽹站的源代码
page = getHtmlCode(url)
# 爬取该⽹站的图⽚并且保存三防手机哪个好
getImage(page)
# print(page)
诗意的网名注意，代码中需要修改的就是imageList = re.findall(r'(https:[^\s]*?(jpg|png|gif))"', page) 这⼀块内容，如何设计正则表达式需要根据你想要抓取的内容设置。我的设计来源如下：
可以看到，因为这个⽹页上的图⽚都是 png 格式，所以写成imageList = re.findall(r'(https:[^\s]*?(png))"', page)也是可以的。
（2）⽅法⼆：使⽤ BeautifulSoup 库解析 html ⽹页
from bs4 import BeautifulSoup # BeautifulSoup是python处理HTML/XML的函数库，是Python内置的⽹页分析⼯具
import urllib # python⾃带的爬操作url的库
容组词语# 该⽅法传⼊url，返回url的html的源代码
def getHtmlCode(url):
# 以下⼏⾏注释的代码在本程序中有加没加效果⼀样，但是为了隐藏⾃⼰避免被反爬⾍可以假如这个伪装的头部请求
headers = {
'User-Agent': 'Mozilla/5.0(Linux; Android 6.0; Nexus 5 Build/MRA58N) \
AppleWebKit/537.36(KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36'
}
# 将headers头部添加到url，模拟浏览器访问
url = quest.Request(url, headers=headers)
# 将url页⾯的源代码保存成字符串
page = quest.urlopen(url).read()
# 字符串转码
page = page.decode('UTF-8')
return page
# 该⽅法传⼊html的源代码，通过截取其中的img标签，将图⽚保存到本机浴火角鹰兽
def getImage(page):
# 按照html格式解析页⾯
soup = BeautifulSoup(page, 'html.parser')
# 格式化输出DOM树的内容
print(soup.prettify())
# 返回所有包含img标签的列表，因为在Html⽂件中图⽚的插⼊呈现形式是<img src="..." alt=".." />
imgList = soup.find_all('img')
x = 0
# 循环到的图⽚列表，注意，这⾥⼿动设置从第2张图⽚开始，是因为我debug看到了第⼀张图⽚不是我想要的图⽚
for imgUrl in imgList[1:]:
print('正在下载： %s ' % ('src'))
# 得到scr的内容，这⾥返回的就是Url字符串链接，如'img2020blogs/blog/1703588/202007/1703588-20200716203143042-623499171.png'
image_url = ('src')
# 这个image⽂件夹需要先创建好才能看到结果
image_save_path = './image/%d.png' % x
# 下载图⽚并且保存到指定⽂件夹中
x = x + 1
if __name__ == '__main__':
# 指定要爬取的⽹站
url = 'wwwblogs/ttweixiao-IT-program/p/13324826.html'win10 安装密钥
# 得到该⽹站的源代码
page = getHtmlCode(url)
# 爬取该⽹站的图⽚并且保存
getImage(page)
这两种⽅法各有利弊，我觉得可以灵活结合使⽤这两种⽅法，⽐如先使⽤⽅法2中指定标签的⽅法缩⼩要寻的内容范围，然后再使⽤正则表达式匹配想要的内容，这样做起来更加简洁明了。以上就是本⽂的全部内容，希望对⼤家的学习有所帮助，也希望⼤家多多⽀持。
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论