python 实现简单爬虫功能python 实现简单爬虫功能 一，猎取整个页面数据 首先我们可以先猎取要下载图片的整个页面信息。 getjpg.py #coding=utf8 import urllib def getHtml(url): page = urllib.urlopen(url) html = page.read() return html html = getHtml("http://tieba.baidu.com/p/2738151262") print 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。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。 二，筛选页面中想要的数据 Python 提供了非常强大的正则表达式，我们需要先要了解一点 python 正则表达式的知识才行。 假如我们百度贴吧找到了几张美丽的壁纸，通过到前段查看工具。找到了图片的地址，如：src=”http://imgsrc.baidu.com/forum......jpg”pic_ext=”jpeg” 修改代码如下： import re import urllib def getHtml(url): page = urllib.urlopen(url) html = page.read() return html def getImg(html): reg = rsrc="(.+?\.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) 我们又创建了 getImg()函数，用于在猎取的整个页面中筛选需要的图片连接。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。 运行脚本将得到整个页面中包含图片的 URL 地址。 三，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： #coding=utf8 import urllib import re def getHtml(url): page = urllib.urlopen(url) html = page.read() return html def getImg(html): reg = rsrc="(.+?\.jpg)" pic_ext imgre = re.compile(reg) imglist = re.findall(imgre,html) x = 0 for imgurl in imglist: urllib.urlretrieve(imgurl,%s.jpg % x) x+=1 html = getHtml("http://tieba.baidu.com/p/2460150866") 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 循环对猎取的图片连接进行遍历，为了使图片的文件名看上去更法律规范，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。 程序运行完成，将在目录下看到下载到本地的文件。
