python实现简单爬虫功能.docx

第PAGE页码3页/总页数NUMPAGES总页数3页python实现简单爬虫功能python实现简单爬虫功能一，获取整个页面数据首先我们可以先获取要下载图片的整个页面信息。getjpg.py#coding=utf8importurllibdefgetHtml(url):page=urllib.urlopen(url)html=page.read()returnhtmlhtml=getHtml("http://tieba.baidu.com/p/2738151262")printhtmlUrllib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。首先，我们定义了一个getHtml()函数: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。二，筛选页面中想要的数据Python提供了非常强大的正则表达式，我们需要先要了解一点python正则表达式的知识才行。假如我们百度贴吧找到了几张漂亮的壁纸，通过到前段查看工具。找到了图片的地址，如：src=”http://imgsrc.baidu.com/forum......jpg”pic_ext=”jpeg”修改代码如下：importreimporturllibdefgetHtml(url):page=urllib.urlopen(url)html=page.read()returnhtmldefgetImg(html):reg=rsrc="(.+?\.jpg)"pic_extimgre=re.compile(reg)imglist=re.findall(imgre,html)returnimglisthtml=getHtml("http://tieba.baidu.com/p/2460150866")printgetImg(html)我们又创建了getImg()函数，用于在获取的整个页面中筛选需要的图片连接。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.re.findall()方法读取html中包含imgre（正则表达式）的数据。运行脚本将得到整个页面中包含图片的URL地址。三，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=utf8importurllibimportredefgetHtml(url):page=urllib.urlopen(url)html=page.read()returnhtmldefgetImg(html):reg=rsrc="(.+?\.jpg)"pic_extimgre=re.compile(reg)imglist=re.findall(imgre,html)x=0forimgurlinimglist:urllib.urlretrieve(imgurl,%s.jpg%x)x+=1html=getHtml("http://tieba.baidu.com/p/2460150866")printgetImg(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。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。