python 爬取指定网页中的图片（python crawls the image in the specified page）

Posted 2020-12-18 ttweixiao9999

 

来自 《Python项目案例开发从入门到实战》（清华大学出版社 郑秋生 夏敏捷主编）中爬虫应用——抓取百度图片

想要爬取指定网页中的图片主要需要以下三个步骤：

（1）指定网站链接，抓取该网站的源代码（如果使用google浏览器就是按下鼠标右键 -> Inspect-> Elements 中的 html 内容）

（2）根据你要抓取的内容设置正则表达式以匹配要抓取的内容

（3）设置循环列表，重复抓取和保存内容

以下介绍了两种方法实现抓取指定网页中图片

（1）方法一：使用正则表达式过滤抓到的 html 内容字符串

 1 # 第一个简单的爬取图片的程序
 2 import urllib.request  # python自带的爬操作url的库
 3 import re  # 正则表达式
 4 
 5 
 6 # 该方法传入url,返回url的html的源代码
 7 def getHtmlCode(url):
 8     # 以下几行注释的代码在本程序中有加没加效果一样,但是为了隐藏自己避免被反爬虫可以假如这个伪装的头部请求
 9     headers = {
10         \'User-Agent\': \'Mozilla/5.0(Linux; Android 6.0; Nexus 5 Build/MRA58N) \\
11         AppleWebKit/537.36(KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36\'
12     }
13     # 将headers头部添加到url，模拟浏览器访问
14     url = urllib.request.Request(url, headers=headers)
15 
16     # 将url页面的源代码保存成字符串
17     page = urllib.request.urlopen(url).read()
18     # 字符串转码
19     page = page.decode(\'UTF-8\')
20     return page
21 
22 
23 # 该方法传入html的源代码，通过截取其中的img标签，将图片保存到本机
24 def getImage(page):
25     # [^\\s]*? 表示最小匹配， 两个括号表示列表中有两个元组
26     # imageList = re.findall(r\'(https:[^\\s]*?(png))"\', page)
27     imageList = re.findall(r\'(https:[^\\s]*?(jpg|png|gif))"\', page)
28     x = 0
29     # 循环列表
30     for imageUrl in imageList:
31         try:
32             print(\'正在下载: %s\' % imageUrl[0])
33             # 这个image文件夹需要先创建好才能看到结果
34             image_save_path = \'./image/%d.png\' % x
35             # 下载图片并且保存到指定文件夹中
36             urllib.request.urlretrieve(imageUrl[0], image_save_path)
37             x = x + 1
38         except:
39             continue
40 
41     pass
42 
43 
44 if __name__ == \'__main__\':
45     # 指定要爬取的网站
46     url = "https://www.cnblogs.com/ttweixiao-IT-program/p/13324826.html"
47     # 得到该网站的源代码
48     page = getHtmlCode(url)
49     # 爬取该网站的图片并且保存
50     getImage(page)
51     # print(page)

  

注意，代码中需要修改的就是 imageList = re.findall(r\'(https:[^\\s]*?(jpg|png|gif))"\', page) 这一块内容，如何设计正则表达式需要根据你想要抓取的内容设置。我的设计来源如下：

 

可以看到，因为这个网页上的图片都是 png 格式，所以写成 imageList = re.findall(r\'(https:[^\\s]*?(png))"\', page) 也是可以的。

 

（2）方法二：使用 BeautifulSoup 库解析 html 网页

 1 from bs4 import BeautifulSoup  # BeautifulSoup是python处理HTML/XML的函数库，是Python内置的网页分析工具
 2 import urllib  # python自带的爬操作url的库
 3 
 4 
 5 # 该方法传入url,返回url的html的源代码
 6 def getHtmlCode(url):
 7     # 以下几行注释的代码在本程序中有加没加效果一样,但是为了隐藏自己避免被反爬虫可以假如这个伪装的头部请求
 8     headers = {
 9         \'User-Agent\': \'Mozilla/5.0(Linux; Android 6.0; Nexus 5 Build/MRA58N) \\
10         AppleWebKit/537.36(KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36\'
11     }
12     # 将headers头部添加到url，模拟浏览器访问
13     url = urllib.request.Request(url, headers=headers)
14 
15     # 将url页面的源代码保存成字符串
16     page = urllib.request.urlopen(url).read()
17     # 字符串转码
18     page = page.decode(\'UTF-8\')
19     return page
20 
21 
22 # 该方法传入html的源代码，通过截取其中的img标签，将图片保存到本机
23 def getImage(page):
24     # 按照html格式解析页面
25     soup = BeautifulSoup(page, \'html.parser\')
26     # 格式化输出DOM树的内容
27     print(soup.prettify())
28     # 返回所有包含img标签的列表，因为在Html文件中图片的插入呈现形式是<img src="..." alt=".." />
29     imgList = soup.find_all(\'img\')
30     x = 0
31     # 循环找到的图片列表，注意，这里手动设置从第2张图片开始，是因为我debug看到了第一张图片不是我想要的图片
32     for imgUrl in imgList[1:]:
33         print(\'正在下载： %s \' % imgUrl.get(\'src\'))
34         # 得到scr的内容，这里返回的就是Url字符串链接，如\'https://img2020.cnblogs.com/blog/1703588/202007/1703588-20200716203143042-623499171.png\'
35         image_url = imgUrl.get(\'src\')
36         # 这个image文件夹需要先创建好才能看到结果
37         image_save_path = \'./image/%d.png\' % x
38         # 下载图片并且保存到指定文件夹中
39         urllib.request.urlretrieve(image_url, image_save_path)
40         x = x + 1
41 
42 
43 if __name__ == \'__main__\':
44     # 指定要爬取的网站
45     url = \'https://www.cnblogs.com/ttweixiao-IT-program/p/13324826.html\'
46     # 得到该网站的源代码
47     page = getHtmlCode(url)
48     # 爬取该网站的图片并且保存
49     getImage(page)

 

这两种方法各有利弊，我觉得可以灵活结合使用这两种方法，比如先使用方法2中指定标签的方法缩小要寻找的内容范围，然后再使用正则表达式匹配想要的内容，这样做起来更加简洁明了。