【python学习】网络爬虫——基础案例教程

一，获取整个页面数据

Urllib 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。

#coding=utf-8
import urllib

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

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

print html

二，筛选页面中想要的数据（这里以图片为例，上篇已经介绍过筛选帖子）

　核心步骤是运用正则表达式，筛选出规定格式的内容，即 自己想要的内容。

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。

图片区域html代码：

<img pic_type="0" class="BDE_Image" src="http://imgsrc.baidu.com/forum/w%3D580/sign=0d3b26024bed2e73fce98624b700a16d/0faccbef76094b3697eed26ba2cc7cd98d109d3d.jpg" pic_ext="jpeg" height="336" width="560">

运行脚本将得到整个页面中包含图片的URL地址，返回值是一个列表

import re
import urllib

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

def getImg(html):
    reg = r‘src="(.+?\.jpg)" pic_ext‘
    imgre = re.compile(reg)
    imglist = re.findall(imgre,html)
    return imglist      
   
html = getHtml("http://tieba.baidu.com/p/2460150866")
print getImg(html)

三，将图片保存到本地

对比上步，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。保存的位置可以设置，在D盘根目录。

#coding=utf-8
import urllib
import re

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

def getImg(html):
    reg = r‘src="(.+?\.jpg)" pic_ext‘
    imgre = re.compile(reg)
    imglist = re.findall(imgre,html)
    x = 0
    for imgurl in imglist:
        urllib.urlretrieve(imgurl,‘D:/%s.jpg‘ % x)
        x+=1

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