用python寫爬蟲的方法

小編給大家分享一下用python寫爬蟲的方法，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！

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-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。

相關推薦：

python爬蟲視頻教程

python爬蟲技術文章

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。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 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)

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-8
import urllib
import re

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)
    x = 0
    for imgurl in imglist:
        urllib.urlretrieve(imgurl,'%s.jpg' % x)
        x+=1

html = 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。

看完了這篇文章，相信你對用python寫爬蟲的方法有了一定的了解，想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！