Python 简单网页爬虫学习

#coding=utf-8

# 参考文章：
#   1. python实现简单爬虫功能
#       http://www.cnblogs.com/fnng/p/3576154.html
#   2. Python 2.7 时间和日期模块常用的例子
#       http://www.linuxidc.com/Linux/2015-06/118458.htm
#   3. Python open读写文件实现脚本
#       http://www.jb51.net/article/15709.htm
#   4. python re 模块 findall 函数用法简述
#       http://blog.csdn.net/cashey1991/article/details/8875213
#   5. [Python]编码声明：是coding:utf-8还是coding=urf-8呢
#       http://www.xuebuyuan.com/975181.html


# urllib模块提供的上层接口，使我们可以像读取本地文件一样读取www和ftp上的数据。
import urllib
import re
import datetime,time

# 定义了一个getHtml()函数
def getHtml( url ):
    # urllib.urlopen()方法用于打开一个URL地址。
    page = urllib.urlopen( url )
    # read()方法用于读取URL上的数据
    html = page.read()

    # 返回整个网页数据
    return html

# 创建getImg()函数
def getImg( html ):
    # ()表示所要提取的字符串，即: 图片名.jpg
    reg = r'src="(.+?.jpg)" pic_ext'
    # 可以把正则表达式编译成一个正则表达式对象.
    imgre = re.compile( reg )
    # 读取html 中包含 imgre（正则表达式）的数据。
    # 当给出的正则表达式中带有一个括号时，列表的元素为字符串，
    # 此字符串的内容与括号中的正则表达式相对应（不是整个正则表达式的匹配内容）。
    imglist = re.findall( imgre, html )

    print "Start downloading the first five pictures"

    # 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。保存的位置默认为程序的存放目录。
    x = 0
    for imgurl in imglist:
        # 用到了urllib.urlretrieve()方法，直接将远程数据下载到本地
        urllib.urlretrieve( imgurl, '%s.jpg' % x )
        # python不支持类似 x++ 或 x-- 这样的前置/后置自增/自减运算符，因此只能用 += 或 -= 这种。
        x += 1

        # 这里面的图片可能比较多，我们测试前五张就差不多了
        if x == 5 :
            break

    print "the first five pictures download completed."

    return imglist

# 向getHtml()函数传递一个网址，并把整个页面下载下来，保存在html变量中
html = getHtml( "http://www.zengjf.org" )

# 合成要保存的文件名，由年月日、时分秒组成，以只写方式打开文件
saveFile = open( time.strftime( "%Y%m%d%H%M%S" ) + ".html", 'w' )
saveFile.write( html )      # 将html中的内容写入文件
saveFile.close( )           # 关闭文件

html = getHtml( "http://tieba.baidu.com/p/2460150866" )
print getImg( html )