Python爬虫抓取网页图片

本文通过python 来实现这样一个简单的爬虫功能，把我们想要的图片爬取到本地。

下面就看看如何使用python来实现这样一个功能。

# -*- coding: utf-8 -*-
import urllib
import re
import time
import os

#显示下载进度
def schedule(a,b,c):
    ‘‘‘‘‘
    a:已经下载的数据块
    b:数据块的大小
    c:远程文件的大小
   ‘‘‘
    per = 100.0 * a * b / c
    if per > 100 :
        per = 100
    print ‘%.2f%%‘ % per

def getHtml(url):
    page = urllib.urlopen(url)
    html = page.read()
    return html

def downloadImg(html):
    reg = r‘src="(.+?\.jpg)" pic_ext‘
    imgre = re.compile(reg)
    imglist = re.findall(imgre, html)
    #定义文件夹的名字
    t = time.localtime(time.time())
    foldername = str(t.__getattribute__("tm_year"))+"-"+str(t.__getattribute__("tm_mon"))+"-"+str(t.__getattribute__("tm_mday"))
    picpath = ‘D:\\ImageDownload\\%s‘ % (foldername) #下载到的本地目录

    if not os.path.exists(picpath):   #路径不存在时创建一个
        os.makedirs(picpath)
    x = 0
    for imgurl in imglist:
        target = picpath+‘\\%s.jpg‘ % x
        print ‘Downloading image to location: ‘ + target + ‘\nurl=‘ + imgurl
        image = urllib.urlretrieve(imgurl, target, schedule)
        x += 1
    return image;

if __name__ == ‘__main__‘:
    print ‘‘‘            *************************************
            **      Welcome to use Spider      **
            **     Created on  2014-05-13      **
            **       @author: cruise           **
            *************************************‘‘‘

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

    downloadImg(html)
    print "Download has finished."

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。

下面我们再来看看 urllib 模块提供的 urlretrieve() 函数。urlretrieve() 方法直接将远程数据下载到本地。

• 参数 finename 指定了保存本地路径（如果参数未指定，urllib会生成一个临时文件保存数据。）
• 参数 reporthook 是一个回调函数，当连接上服务器、以及相应的数据块传输完毕时会触发该回调，我们可以利用这个回调函数来显示当前的下载进度。
• 参数 data 指 post 到服务器的数据，该方法返回一个包含两个元素的(filename, headers)元组，filename 表示保存到本地的路径，header 表示服务器的响应头。

　　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。

在python shell中看到的信息如下：

程序运行完成，将在目录下看到下载到本地的文件。

Python爬虫抓取网页图片