百度贴吧爬虫练习

在交互平台打印贴吧内的图片的链接地址

#coding:utf-8

import re
import urllib  //导入库

def gethtml(url):
    page=urllib.urlopen(url)  //打开链接的页面
    html=page.read()　　//读取链接的源码
    return html

def getimg(html):
    reg=r'src="(.*?.jpg)" size' //正则
    imgreg=re.compile(reg)　　//编译正则
    imglist=re.findall(reg,html)　　//在源码中查找正则相对应的资源
    return imglist　　//返回
        
html=gethtml("https://tieba.baidu.com/p/5001345607?red_tag=1020337473")
print getimg(html) //打印图片的链接地址

正则解释：

reg=r'src="(.*?.jpg)" size'
1.是匹配除换行符
外的字符
2*是匹配前一个字符0次或n次
3+或*后跟？表示非贪婪匹配，即尽可能少的匹配，如*？重复任意次，但尽可能少重复
4.*? 表示匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复

下载贴吧内的图片

#coding:utf-8
import re
import urllib

def geturl(url):
    page=urllib.urlopen(url)
    html=page.read()
    return html
    
def getimg(html):
    r1=r'src="(.*?.jpg)"size'
    imgr1=re.compile(r1)
    imglist=re.findall(imgr1,html)
    x=0
    for i in imglist:
        urllib.urlretrieve(i,'%s .jpg'% x) //下载imglist中的图片，并命名为X.jpg
        x=x+1
    
html=geturl("https://tieba.baidu.com/p/5000970745?red_tag=2784248253")
getimg(html)