本文實例講述了Python使用爬蟲爬取靜態(tài)網(wǎng)頁圖片的方法。分享給大家供大家參考，具體如下：

爬蟲理論基礎(chǔ)

其實爬蟲沒有大家想象的那么復雜，有時候也就是幾行代碼的事兒，千萬不要把自己嚇倒了。這篇就清晰地講解一下利用Python爬蟲的理論基礎(chǔ)。

首先說明爬蟲分為三個步驟，也就需要用到三個工具。

① 利用網(wǎng)頁下載器將網(wǎng)頁的源碼等資源下載。
② 利用URL管理器管理下載下來的URL
③ 利用網(wǎng)頁解析器解析需要的URL，進而進行匹配。

網(wǎng)頁下載器

網(wǎng)頁下載器常用的有兩個。一個是Python自帶的urllib2模塊；另一個是第三方控件requests。選用哪個其實差異不大，下一篇將會進行實踐操作舉例。

URL管理器

url管理器有三大類。

① 內(nèi)存：以set形式存儲在內(nèi)存中
② 存儲在關(guān)系型數(shù)據(jù)庫mysql等
③ 緩存數(shù)據(jù)庫redis中

網(wǎng)頁解析器

網(wǎng)頁解析器一共有四類：

1.正則表達式，不過對于太復雜的匹配就會有些難度，屬于模糊匹配。
2.html.parser，這是python自帶的解析工具。
3.Beautiful Soup，一種第三方控件，顧名思義，美味的湯，用起來確實很方便，很強大。
4.lxml（apt.xml），第三方控件。

以上的這些全部屬于結(jié)構(gòu)化解析（DOM樹）

什么式結(jié)構(gòu)化解析（DOM）？

Document Object Model(DOM)是一種樹的形式。

Beautiful Soup的語法

html網(wǎng)頁—>創(chuàng)建BeautifulSoup對象—>搜索節(jié)點 find_all（）/find（）—>訪問節(jié)點，名稱，屬性，文字等……

Beautiful Soup官方文檔

實現(xiàn)代碼

說過了理論基礎(chǔ)，那么現(xiàn)在就來實踐一個，要爬取一個靜態(tài)網(wǎng)頁的所有圖片。

這里使用的網(wǎng)頁下載器是python自帶的urllib2，然后利用正則表達式匹配，輸出結(jié)果。

以下為源碼：

//引入小需要用到的模塊
import urllib2
import re
def main():
  //利用urllib2的urlopen方法，下載當前url的網(wǎng)頁內(nèi)容
  req = urllib2.urlopen('http://www.imooc.com/course/list')
  //將網(wǎng)頁內(nèi)容存儲到buf變量中
  buf = req.read()
  //將buf中的所有內(nèi)容與需要匹配的url進行比對。這里的正則表達式是根據(jù)靜態(tài)網(wǎng)頁的源碼得出的，查看靜態(tài)網(wǎng)頁源碼開啟開發(fā)者模式，按F12即可。然后確定圖片塊，查看對應(yīng)源碼內(nèi)容，找出規(guī)律，編寫正則表達式。
  listurl = re.findall(r'src=.+\.jpg',buf)
  i = 0
  //將結(jié)果循環(huán)寫入文件
  for url in listurl:
    f = open(str(i)+'.jpg','w')
    req = urllib2.urlopen(url[5:])
    buf1 = req.read()
    f.write(buf1)
    i+=1
if __name__ == '__main__':
  main()

至此一個靜態(tài)網(wǎng)頁的圖片爬蟲就完成了，下面來看下效果。

這是靜態(tài)網(wǎng)頁：

以下是爬取的結(jié)果：

更多關(guān)于Python相關(guān)內(nèi)容可查看本站專題：《Python Socket編程技巧總結(jié)》、《Python正則表達式用法總結(jié)》、《Python數(shù)據(jù)結(jié)構(gòu)與算法教程》、《Python函數(shù)使用技巧總結(jié)》、《Python字符串操作技巧匯總》、《Python入門與進階經(jīng)典教程》及《Python文件與目錄操作技巧匯總》

希望本文所述對大家Python程序設(shè)計有所幫助。

最新評論