您的位置:首页技术文章
文章详情页

Python爬虫抓取指定网页图片代码实例

【字号: 日期:2022-07-16 14:16:38浏览:7作者:猪猪

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 passif __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='https://www.haobala.com/bcjs/...' 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 + 1if __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好吧啦网。

标签: Python 编程
相关文章: