简单爬虫获取网页图片

在我们日常上网浏览网页的时候，经常会看到一些好看的图片，我们就希望把这些图片保存下载，或者用户用来做桌面壁纸，或者用来做设计的素材。

　　我们最常规的做法就是通过鼠标右键，选择另存为。但有些图片鼠标右键的时候并没有另存为选项，还有办法就通过就是通过截图工具截取下来，但这样就降低图片的清晰度。好吧～！其实你很厉害的，右键查看页面源代码。

　　我们可以通过python 来实现这样一个简单的爬虫功能，把我们想要的代码爬取到本地。下面就看看如何使用python来实现这样一个功能

1.新建一个文档，扩展名为.py  如：getjpg.py

2.先获取整个网页的信息， url为网页路径

 

#coding=utf-8
import urllib
import re

def getHtml(url):
    page = urllib.urlopen(url)   
    html = page.read()
    return html

 

Urllib 模块提供了读取web页面数据的接口，我们可以像读取本地文件一样读取www和ftp上的数据。urllib.urlopen()方法用于打开一个URL地址。
read()方法用于读取URL上的数据，向getHtml()函数传递一个网址，并把整个页面下载下来。执行程序就会把整个网页打印输出

可以使用firebug获取图片地址

#coding=utf-8
import urllib
import re
def getHtml(url):
    page = urllib.urlopen(url)
    html = page.read()
    return html

html = getHtml("http://baike.baidu.com/link?url=DU89hYfVcuSP0H4McaP9eQtb3SEFe2uRoMWbvj0n_Z5bNFxkFuYqN69wgFIeRbLSazXe96pOBJf9hF1ZsreOCa")
print html

执行这段代码可以输出这个网页的所有源代码

3.创建了getImg()函数，用于在获取的整个页面中筛选需要的图片连接,修改代码

#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)"'   #jpg 图片路径格式
    imgre = re.compile(reg)     #re模块主要包含了正则表达式，re.compile() 可以把正则表达式编译成一个正则表达式对象.
    imglist = re.findall(imgre,html)  #re.findall() 方法读取html 中包含 imgre（正则表达式）的数据.

html = getHtml("http://baike.baidu.com/link?url=DU89hYfVcuSP0H4McaP9eQtb3SEFe2uRoMWbvj0n_Z5bNFxkFuYqN69wgFIeRbLSazXe96pOBJf9hF1ZsreOCa")

print getImg(html)

 运行脚本将得到整个页面中包含图片的URL地址.     

4.将页面筛选的数据保存到本地

把筛选的图片地址通过for循环遍历并保存到本地，代码如下：

#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)"'
    imgre = re.compile(reg)
    imglist = re.findall(imgre,html)
    x = 0
    for imgurl in imglist:
        urllib.urlretrieve(imgurl,'d://%s.jpg' % x)
        x+=1

html = getHtml("http://baike.baidu.com/link?url=DU89hYfVcuSP0H4McaP9eQtb3SEFe2uRoMWbvj0n_Z5bNFxkFuYqN69wgFIeRbLSazXe96pOBJf9hF1ZsreOCa")

print getImg(html)

这里的核心是用到了urllib.urlretrieve()方法，直接将远程数据下载到本地。

　　通过一个for循环对获取的图片连接进行遍历，为了使图片的文件名看上去更规范，对其进行重命名，命名规则通过x变量加1（0.jpg ，1.jpg ...）。保存的位置默认为程序的存放目录。

程序运行完成，将在目录下看到下载到本地的文件。 下面即爬到的图片

 

还有一点注意的，（必须已安装python，环境变量也要注册）运行python脚本时，开始菜单--》 运行--》cmd      使用cd 命令找到脚本所在路径，然后输入 python getjpg.py   回车，即可输出