0
点赞
收藏
分享

微信扫一扫

python爬虫 爬取网页图片

一叶轻舟okok 04-18 08:51 阅读 5
python爬虫

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

 

(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

watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5pS_6IOk5bel5L2c5a6k,size_20,color_FFFFFF,t_70,g_se,x_16

watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5pS_6IOk5bel5L2c5a6k,size_20,color_FFFFFF,t_70,g_se,x_16 

兄弟们 这个代码开有没有知道咋添加的 我没添加上 直接给大家图片和代码了 一下是图片上的代码 方便大家复制粘贴

# 第一个简单的爬取图片的程序
import urllib.request # 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 = urllib.request.Request(url, headers=headers)
 
     # 将url页面的源代码保存成字符串
     page = urllib.request.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
         urllib.request.urlretrieve(imageUrl[0], image_save_path)
         x = x + 1
     except:
         continue
     pass
if __name__ == '__main__':
     # 指定要爬取的网站
     url = "https://www.cnblogs.com/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
     getImage(page)
     # print(page)

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 你们可以参考一下watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5pS_6IOk5bel5L2c5a6k,size_20,color_FFFFFF,t_70,g_se,x_16

 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watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5pS_6IOk5bel5L2c5a6k,size_20,color_FFFFFF,t_70,g_se,x_16

watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5pS_6IOk5bel5L2c5a6k,size_20,color_FFFFFF,t_70,g_se,x_16 

watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5pS_6IOk5bel5L2c5a6k,size_20,color_FFFFFF,t_70,g_se,x_16 

以下是图中的代码 方便大家复制粘贴 

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
 
 
# 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 = urllib.request.Request(url, headers=headers)
 
     # 将url页面的源代码保存成字符串
     page = urllib.request.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):
     # 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
     # 循环找到的图片列表,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 ' % imgUrl.get('src'))
     # 得到scr的内容,这里返回的就是Url字符串链接,如'https://img2020.cnblogs.com/blog/1703588/202007/1703588-20200716203143042-623499171.png'
     image_url = imgUrl.get('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
     urllib.request.urlretrieve(image_url, image_save_path)
     x = x + 1
if __name__ == '__main__':
     # 指定要爬取的网站
     url = 'https://www.cnblogs.com/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
     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找的内容范围,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我们。

此文章最终解释权归政胤工作室所有 盗版必究!watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5pS_6IOk5bel5L2c5a6k,size_9,color_FFFFFF,t_70,g_se,x_16

希望大家多多支持 刚刚入行  希望大家多多提意见

举报

相关推荐

0 条评论