python 爬取指定网页中的图片精细版（python crawls the image in the specified page fine version）

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

本文使用 request 库来爬取某个网站的图片，前面几章博客介绍了如何使用 urllib 库来抓取网页，本文主要使用的是 request 库来抓取网页内容，使用方法基本一致，但 request 方法相对简单一些

爬虫的基本思路别忘了：

1. 指定要抓取的链接然后抓取网站源代码

2. 提取你想要的内容，比如你想要爬取图片信息，可以选择用正则表达式过滤或者使用提取 <img /> 标签的方法

3. 循环得到的要爬取内容列表，保存文件

这里的代码和本人博客前几章（图片爬虫系列一）的差异在于：

1. 提取网页使用的是 requests 库

2. 保存图片的时候后缀不固定使用 png 或者 jpg，而是使用图片本身的后缀名

3. 保存图片的时候不使用 urllib.request.urlretrieve 函数，而是使用文件的读写操作来保存图片

具体代码如下图所示：

 1 # 使用requests、bs4库下载华侨大学主页上的所有图片
 2 import os
 3 import requests
 4 from bs4 import BeautifulSoup
 5 import shutil
 6 from pathlib import Path  # 关于文件路径操作的库，这里主要为了得到图片后缀名
 7 
 8 
 9 # 该方法传入url,返回url的html的源代码
10 def getHtmlCode(url):
11     # 伪装请求的头部来隐藏自己
12     headers = {
13         \'User-Agent\': \'MMozilla/5.0(Windows NT 6.1; WOW64; rv:31.0) Gecko/20100101 Firefox/31.0\'
14     }
15     # 获取网页
16     r = requests.get(url, headers=headers)
17     # 指定网页解析的编码格式
18     r.encoding = \'UTF-8\'
19     # 获取url页面的源代码字符串文本
20     page = r.text
21     return page
22 
23 
24 # 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
25 def getImg(page, localPath):
26     # 判断文件夹是否存在，存在则删除，最后都要重新新的文件夹
27     if os.path.exists(localPath):
28         shutil.rmtree(localPath)
29     os.mkdir(localPath)
30 
31     # 按照Html格式解析页面
32     soup = BeautifulSoup(page, \'html.parser\')
33     # 返回的是一个包含所有img标签的列表
34     imgList = soup.find_all(\'img\')
35     x = 0
36     # 循环url列表
37     for imgUrl in imgList:
38         try:
39             # 得到img标签中的src具体内容
40             imgUrl_src = imgUrl.get(\'src\')
41             # 排除 src=\'\' 的情况
42             if imgUrl_src != \'\':
43                 print(\'正在下载第 %d : %s 张图片\' % (x+1, imgUrl_src))
44                 # 判断图片是否是从绝对路径https开始，具体为什么这样操作可以看下图所示
45                 if "https://" not in imgUrl_src:
46                     m = \'https://www.hqu.edu.cn/\' + imgUrl_src
47                     print(\'正在下载： %s\' % m)
48                     # 获取图片
49                     ir = requests.get(m)
50                 else:
51                     ir = requests.get(imgUrl_src)
52                 # 设置Path变量，为了使用Pahtlib库中的方法提取后缀名
53                 p = Path(imgUrl_src)
54                 # 得到后缀，返回的是如 \'.jpg\'
55                 p_suffix = p.suffix
56                 # 用write()方法写入本地文件中，存储的后缀名用原始的后缀名称
57                 open(localPath + str(x) + p_suffix, \'wb\').write(ir.content)
58                 x = x + 1
59         except:
60             continue
61 
62 
63 if __name__ == \'__main__\':
64     # 指定爬取图片链接
65     url = \'https://www.hqu.edu.cn/index.htm\'
66     # 指定存储图片路径
67     localPath = \'./img/\'
68     # 得到网页源代码
69     page = getHtmlCode(url)
70     # 保存图片
71     getImg(page, localPath)

 

注意，为什么判断图片链接是否从 "https://" 开始主要是因为我们下载图片需要完整的绝对路径，而这个得来需要看原网页代码，选择一张图片，点击 html 所在的代码，鼠标放着，就可以看到绝对路径，然后根据这个绝对路径设置需要添加的缺少部分，如下图所示：