简单爬虫获取网页图片

在我们日常上网浏览网页的时候，经常会看到一些好看的图片，我们就希望把这些图片保存下载，或者用户用来做桌面壁纸，或者用来做设计的素材。

　　我们最常规的做法就是通过鼠标右键，选择另存为。但有些图片鼠标右键的时候并没有另存为选项，还有办法就通过就是通过截图工具截取下来，但这样就降低图片的清晰度。好吧～！其实你很厉害的，右键查看页面源代码。

　　我们可以通过python 来实现这样一个简单的爬虫功能，把我们想要的代码爬取到本地。下面就看看如何使用python来实现这样一个功能

1.新建一个文档，扩展名为.py 如：getjpg.py

2.先获取整个网页的信息， url为网页路径

1 #coding=utf-8
2 import urllib
3 import re
4 
5 def getHtml(url):
6     page = urllib.urlopen(url)   
7     html = page.read()
8     return html

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。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

可以使用firebug获取图片地址

 1 #coding=utf-8
 2 import urllib
 3 import re
 4 def getHtml(url):
 5     page = urllib.urlopen(url)
 6     html = page.read()
 7     return html
 8 
 9 html = getHtml("http://baike.baidu.com/link?url=DU89hYfVcuSP0H4McaP9eQtb3SEFe2uRoMWbvj0n_Z5bNFxkFuYqN69wgFIeRbLSazXe96pOBJf9hF1ZsreOCa")
10 print html

执行这段代码可以输出这个网页的所有源代码

3.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,修改代码

 1 #coding=utf-8
 2 import urllib
 3 import re
 4 
 5 def getHtml(url):
 6     page = urllib.urlopen(url)
 7     html = page.read()
 8     return html
 9 
10 def getImg(html):
11     reg = r\'src="(.+?\.jpg)"\'   #jpg 图片路径格式
12     imgre = re.compile(reg)     #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.
13     imglist = re.findall(imgre,html)  #re.findall() 方法读取html 中包含 imgre（正则表达式）的数据.

20 html = getHtml("http://baike.baidu.com/link?url=DU89hYfVcuSP0H4McaP9eQtb3SEFe2uRoMWbvj0n_Z5bNFxkFuYqN69wgFIeRbLSazXe96pOBJf9hF1ZsreOCa")
21 
22 print getImg(html)

运行脚本将得到整个页面中包含图片的URL地址.

4.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：

 1 #coding=utf-8
 2 import urllib
 3 import re
 4 def getHtml(url):
 5     page = urllib.urlopen(url)
 6     html = page.read()
 7     return html
 8 
 9 def getImg(html):
10     reg = r\'src="(.+?\.jpg)"\'
11     imgre = re.compile(reg)
12     imglist = re.findall(imgre,html)
13     x = 0
14     for imgurl in imglist:
15         urllib.urlretrieve(imgurl,\'d://%s.jpg\' % x)
16         x+=1
17 
18 html = getHtml("http://baike.baidu.com/link?url=DU89hYfVcuSP0H4McaP9eQtb3SEFe2uRoMWbvj0n_Z5bNFxkFuYqN69wgFIeRbLSazXe96pOBJf9hF1ZsreOCa")
19 
20 print getImg(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（0.jpg ，1.jpg ...）。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。下面即爬到的图片

还有一点注意的，（必须已安装python，环境变量也要注册）运行python脚本时，开始菜单--》运行--》cmd 使用cd 命令找到脚本所在路径，然后输入 python getjpg.py 回车，即可输出