Python爬虫抓取指定网页图片代码实例


Posted in Python onJuly 24, 2020

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

# 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:

Python爬虫抓取指定网页图片代码实例

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

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三水点靠木。

Python 相关文章推荐
Python去掉字符串中空格的方法
Mar 11 Python
python自然语言编码转换模块codecs介绍
Apr 08 Python
Python脚本判断 Linux 是否运行在虚拟机上
Apr 25 Python
详解Python中的相对导入和绝对导入
Jan 06 Python
浅谈tensorflow1.0 池化层(pooling)和全连接层(dense)
Apr 27 Python
python入门:这篇文章带你直接学会python
Sep 14 Python
python 输入一个数n,求n个数求乘或求和的实例
Nov 13 Python
python爬取指定微信公众号文章
Dec 20 Python
Django在pycharm下修改默认启动端口的方法
Jul 26 Python
python zip()函数使用方法解析
Oct 31 Python
pytorch中nn.Conv1d的用法详解
Dec 31 Python
基于pytorch padding=SAME的解决方式
Feb 18 Python
详解Flask前后端分离项目案例
Jul 24 #Python
通过实例了解Python异常处理机制底层实现
Jul 23 #Python
Python异常处理机制结构实例解析
Jul 23 #Python
使用pygame实现垃圾分类小游戏功能(已获校级二等奖)
Jul 23 #Python
Python字符串函数strip()原理及用法详解
Jul 23 #Python
Python使用sys.exc_info()方法获取异常信息
Jul 23 #Python
Python中Selenium库使用教程详解
Jul 23 #Python
You might like
是否存在第一台收音机的说法
2021/03/01 无线电
PHP+MYSQL实现用户的增删改查
2015/03/24 PHP
php简单计算页面加载时间的方法
2015/06/19 PHP
使用PHP生成图片的缩略图的方法
2015/08/18 PHP
PHP实现生成唯一会员卡号
2015/08/24 PHP
Zend Framework实现留言本分页功能(附demo源码下载)
2016/03/22 PHP
php版微信公众平台实现预约提交后发送email的方法
2016/09/26 PHP
thinkPHP实现的联动菜单功能详解
2017/05/05 PHP
javascript面向对象编程(一) 实例代码
2010/06/25 Javascript
JavaScript常用对象的方法和属性小结
2012/01/24 Javascript
js图片自动切换效果处理代码
2013/05/07 Javascript
js获取字符串字节数方法小结
2015/06/09 Javascript
JavaScript 字符串数字左补位,右补位,取固定长度,截位扩展函数代码
2017/03/25 Javascript
解决eclipse中没有js代码提示的问题
2018/10/10 Javascript
vue cli3.0 引入eslint 结合vscode使用
2019/05/27 Javascript
使用js在layui中实现上传图片压缩
2019/06/18 Javascript
JS中比Switch...Case更优雅的多条件判断写法
2019/09/05 Javascript
使用Vue调取接口,并渲染数据的示例代码
2019/10/28 Javascript
es6函数中的作用域实例分析
2020/04/18 Javascript
记录一次websocket封装的过程
2020/11/23 Javascript
分享15个最受欢迎的Python开源框架
2014/07/13 Python
Python3.x对JSON的一些操作示例
2017/09/01 Python
全面了解Nginx, WSGI, Flask之间的关系
2018/01/09 Python
Python图像处理之简单画板实现方法示例
2018/08/30 Python
解决python opencv无法显示图片的问题
2018/10/28 Python
python字符串中匹配数字的正则表达式
2019/07/03 Python
python多继承(钻石继承)问题和解决方法简单示例
2019/10/21 Python
Python基于locals返回作用域字典
2020/10/17 Python
python 实现网易邮箱邮件阅读和删除的辅助小脚本
2021/03/01 Python
ebookers英国:隶属全球最大的在线旅游公司Expedia
2017/12/28 全球购物
加拿大时装零售商:Influence U
2018/12/22 全球购物
美国医生配方营养补充剂供应商:Healthy Directions
2019/07/10 全球购物
生产管理的三大手法
2013/11/11 职场文书
公司中层干部的自我评价分享
2014/03/01 职场文书
放飞理想演讲稿
2014/09/09 职场文书
长城导游词300字
2015/01/30 职场文书