首页 > > 网络编程 > 其它 >

python爬虫_入门

2018-06-18 01:27:59来源：未知阅读 ()

本来觉得没什么可写的，因为网上这玩意一搜一大把，不过爬虫毕竟是python的一个大亮点，不说说感觉对不起这玩意
基础点来说，python2写爬虫重点需要两个模块，urllib和urllib2，其实还有re
先介绍下模块的一些常用功能
urllib.urlopen('http://xxx.xxx.xxx') #打开一个网址，只是打开，和open差不多
urllib2.Request(url) #解析网址，这个可以省略，具体不是很懂，一些功能，比如加head头什么的也需要使用这个
urllib.urlretrieve(url,filename) #下载用，把url提供的东西down下来，并用filename保存
举个蜂鸟爬图片的例子，下面上伪代码：

1、url解析
2、打开url
3、读取url，就是read()
4、使用re.findall找到所有和图片有关系的地址，这里只jpg
5、循环下载

看图上，图片链接格式是src="http://index_url/page_num/image_name.jpg?XXXXXXX"，那么如果需要下载的话一定是需要红圈部分，也就是http://index_url/page_num/image_name.jpg
分析之后后面的事就好办了，下面上代码

import urllib
import urllib2
import re

#处理地址，并获取页面全部的图片地址
def get_image_url(url):
  #url_format = urllib2.Request(url) #1
  url_open = urllib.urlopen(url) #2
  url_read = url_open.read() #3
  re_value = re.compile('(?<=src\=\").*?\.jpg')
  image_url_list = re.findall(re_value,url_read) #4
  return image_url_list

#这个函数专门用来下载，前面两行是将图片连接中/前面的内容全部删除，留下后面的文件名用来保存文件的，try不说了，不清楚请翻回去看容错
def down_image(image_url):
  rev = '^.*/'
  file_name = re.sub(rev,'',image_url)
  try:
    urllib.urlretrieve(image_url,file_name)
  except:
    print 'download %s fail' %image_url
  else:
    print 'download %s successed' %image_url

if __name__ == '__main__':
  url = 'http://bbs.fengniao.com/forum/10384633.html'
  image_url_list = get_image_url(url)
  for image_url in image_url_list:
    down_image(image_url) #5