如果你仔細觀察，就不難發(fā)現(xiàn)，懂爬蟲、學(xué)習(xí)爬蟲的人越來越多，一方面，互聯(lián)網(wǎng)可以獲取的數(shù)據(jù)越來越多，另一方面，像 Python這樣的編程語言提供越來越多的優(yōu)秀工具，讓爬蟲變得簡單、容易上手。
對于小白來說，爬蟲可能是一件非常復(fù)雜，技術(shù)門檻很高的事情，其實只要掌握正確方法，在短時間內(nèi)也是能夠做到精通的！這里給你一條平滑的，零基礎(chǔ)快速入門的學(xué)習(xí)路徑。
先來帶你簡單的爬取一下網(wǎng)絡(luò)圖片：
1. 概述
本文主要實現(xiàn)一個簡單的爬蟲，目的是從一個百度貼吧頁面下載圖片。下載圖片的步驟如下：
（1）獲取網(wǎng)頁html文本內(nèi)容；
（2）分析html中圖片的html標(biāo)簽特征，用正則解析出所有的圖片url鏈接列表；
（3）根據(jù)圖片的url鏈接列表將圖片下載到本地文件夾中。
如果你是零基礎(chǔ)小白，看不懂，沒關(guān)系！完整項目代碼+視頻使用教程+Python編程學(xué)習(xí)資料都給你帶走，有了這些 不怕你學(xué)不會！ 不收取任何費用哦
2. urllib+re實現(xiàn)
#!/usr/bin/python
# coding:utf-8
# 實現(xiàn)一個簡單的爬蟲，爬取百度貼吧圖片
import urllib
import re
# 根據(jù)url獲取網(wǎng)頁html內(nèi)容
def getHtmlContent(url):
page = urllib.urlopen(url)
return page.read()
# 從html中解析出所有jpg圖片的url
# 百度貼吧html中jpg圖片的url格式為：<img ... src="XXX.jpg" width=...>
def getJPGs(html):
# 解析jpg圖片url的正則
jpgReg = re.compile(r'<img.+?src="(.+?.jpg)" width') # 注：這里最后加一個'width'是為了提高匹配精確度
# 解析出jpg的url列表
jpgs = re.findall(jpgReg,html)
return jpgs
# 用圖片url下載圖片并保存成制定文件名
defdownloadJPG(imgUrl,fileName):
urllib.urlretrieve(imgUrl,fileName)
# 批量下載圖片，默認(rèn)保存到當(dāng)前目錄下
def batchDownloadJPGs(imgUrls,path ='./'):
# 用于給圖片命名
count = 1
for url in imgUrls:
downloadJPG(url,''.join([path,'{0}.jpg'.format(count)]))
count = count + 1
# 封裝：從百度貼吧網(wǎng)頁下載圖片
def download(url):
html = getHtmlContent(url)
jpgs = getJPGs(html)
batchDownloadJPGs(jpgs)
def main():
url = 'http://tieba.baidu.com/p/2256306796'
download(url)
if __name__ == '__main__':
main()
運行上面腳本，過幾秒種之后完成下載，可以在當(dāng)前目錄下看到圖片已經(jīng)下載好了：
3. requests + re實現(xiàn)
下面用requests庫實現(xiàn)下載，把getHtmlContent和downloadJPG函數(shù)都用requests重新實現(xiàn)。
#!/usr/bin/python
# coding:utf-8
# 實現(xiàn)一個簡單的爬蟲，爬取百度貼吧圖片
import requests
import re
# 根據(jù)url獲取網(wǎng)頁html內(nèi)容
def getHtmlContent(url):
page = requests.get(url):
return page.text
# 從html中解析出所有jpg圖片的url
# 百度貼吧html中jpg圖片的url格式為：<img ... src="XXX.jpg" width=...>
def getJPGs(html):
# 解析jpg圖片url的正則
jpgReg = re.compile(r'<img.+?src="(.+?.jpg)" width') # 注：這里最后加一個'width'是為了提高匹配精確度
# 解析出jpg的url列表
jpgs = re.findall(jpgReg,html)
return jpgs
# 用圖片url下載圖片并保存成制定文件名
def downloadJPG(imgUrl,fileName):
# 可自動關(guān)閉請求和響應(yīng)的模塊
from contextlib import closing
with closing(requests.get(imgUrl,stream = True)) as resp:
with open(fileName,'wb') as f:
for chunk in resp.iter_content(128):
f.write(chunk)
# 批量下載圖片，默認(rèn)保存到當(dāng)前目錄下
defbatchDownloadJPGs(imgUrls,path ='./'):
# 用于給圖片命名
count = 1
for url in imgUrls:
downloadJPG(url,''.join([path,'{0}.jpg'.format(count)]))
print '下載完成第{0}張圖片'.format(count)
count = count + 1
# 封裝：從百度貼吧網(wǎng)頁下載圖片
def download(url):
html = getHtmlContent(url)
jpgs = getJPGs(html)
batchDownloadJPGs(jpgs)
def main():
url = 'http://tieba.baidu.com/p/2256306796'
download(url)
if __name__ == '__main__':
main()
輸出：和前面一樣。
