python爬取网页文本图片

Posted -citywall123

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了python爬取网页文本图片相关的知识，希望对你有一定的参考价值。

从网页爬取文本信息：

 eg:从http://computer.swu.edu.cn/s/computer/kxyj2xsky/中爬取讲座信息（讲座时间和讲座名称）

注：如果要爬取的内容是多页的话，网址一定要从第二页开始，因为有的首页和其他页的网址有些区别

代码

import pymysql
import requests
#需要导入模块
db = pymysql.connect(‘localhost‘, ‘root‘, ‘2272594305‘, ‘mysql‘)#第三个是数据库密码，第四个是数据库名称
print("数据库连接成功！")
print("---------------------------------------------------")
r = requests.get("https://python123.io/ws/demo.html")#获取网页源代码


import re
def get_text(url):#函数
    r = requests.get(url)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    return r.text

def parse_html(url, list):
    demo = get_text(url)
    # 将正则表达式编译成正则表达式对象，方便复用该正则表达式
    # ".*?" ：匹配任意字符串
    # [\\u4e00-\\u9fa5] ：匹配中文
    # (\\d4-\\d2-\\d2) : 匹配日期
    #计信院前沿学术报告(2019.7.1)</a></li>\\[(\\d4-\\d2-\\d2)\\]
    patern = re.compile(‘<li><span\\sclass="fr">\\[(\\d4-\\d2-\\d2)\\]</span>.*?&nbsp;&nbsp;(.*?)</a></li>‘, re.S)
    results = re.findall(patern, demo)
    for result in results:
        list.append(result)#向列表添加对象
    return list

url = ‘http://computer.swu.edu.cn/s/computer/kxyj2xsky/index.html‘
list = []
for i in range(2,5):
    url = ‘http://computer.swu.edu.cn/s/computer/kxyj2xsky/index_‘+str(i) + ‘.html‘
    list = parse_html(url, list)

count = 0
for i in list:
    count = count + 1
    print(i)
print("一共有"+str(count)+"条数据！")

输出

技术图片 
数据库连接成功！
---------------------------------------------------
(‘2018-11-20‘, ‘计信院前沿学术报告（2018.11-23）‘)
(‘2018-11-19‘, ‘计信院前沿学术报告（2018.11-20）‘)
(‘2018-11-15‘, ‘计信院前沿学术报告（2018.11-22）‘)
(‘2018-11-12‘, ‘计信院前沿学术报告（2018.11-14）‘)
(‘2018-11-02‘, ‘第三届全国形式化方法与应用会议暨形式化专委年会（FMAC 2018）即将开幕‘)
(‘2018-11-01‘, ‘计信院前沿学术报告（2018.11-06）‘)
(‘2018-10-25‘, ‘计信院前沿学术报告（2018.10-31）‘)
(‘2018-10-17‘, ‘计信院前沿学术报告（2018.10-19）‘)
(‘2018-10-10‘, ‘计信院前沿学术报告（2018.10-17）‘)
(‘2018-09-26‘, ‘计信院前沿学术报告（2018.09-29）‘)
(‘2018-09-12‘, ‘计信院前沿学术报告（2018.09-18）‘)
(‘2018-09-03‘, ‘计信院前沿学术报告（2018.09-04）‘)
(‘2018-07-05‘, ‘计信院前沿学术报告(2018.07-05)‘)
(‘2018-06-28‘, ‘计信院前沿学术报告(2018.07-02)‘)
(‘2018-06-20‘, ‘第7届华人学者知识表示与推理学术研讨会‘)
(‘2018-06-19‘, ‘计信院前沿学术报告(2018-06-20)‘)
(‘2018-05-15‘, ‘计信院前沿学术报告(2018-05-16)‘)
(‘2018-05-07‘, ‘计信院前沿学术报告(2018-05-10)‘)
(‘2018-05-02‘, ‘西南大学第三届青年学者含弘科技论坛 计算机与信息科学学院分论坛 学术报告‘)
(‘2018-04-16‘, ‘计信院前沿学术报告（2018-04-23）‘)
(‘2018-04-09‘, ‘计信院前沿学术报告（2018-04-16）‘)
(‘2018-04-04‘, ‘第四届可信软件系统工程（国际）春季学校Spring School on Engineering Trustworthy Software Systems‘)
(‘2018-04-02‘, ‘计信院前沿学术报告(2018-04-08)‘)
(‘2018-04-02‘, ‘计信院前沿学术报告(2018-04-02)‘)
(‘2018-03-27‘, ‘计信院前沿学术报告（2018-03-30）‘)
(‘2018-01-09‘, ‘理论计算机科学2018寒假讲习班‘)
(‘2018-01-09‘, ‘计信院前沿学术报告(2018-01-11)‘)
(‘2018-01-03‘, ‘计信院前沿学术报告(2018-01-05)‘)
(‘2017-12-27‘, ‘出国访学（留学）经验交流‘)
(‘2017-12-27‘, ‘计信院前沿学术报告(2017-12-28)‘)
(‘2017-12-25‘, ‘计信院前沿学术报告(2017-12-28)‘)
(‘2017-12-18‘, ‘出国访学（留学）经验交流‘)
(‘2017-12-18‘, ‘西南大学第二届青年学者含弘科技论坛 计算机与信息科学学院分论坛 学术报告（二）‘)
(‘2017-12-18‘, ‘西南大学第二届青年学者含弘科技论坛 计算机与信息科学学院分论坛 学术报告（一）‘)
(‘2017-12-15‘, ‘计信院前沿学术报告(2017-12-28)‘)
(‘2017-12-15‘, ‘出国访学（留学）经验交流‘)
(‘2017-12-11‘, ‘计信院前沿学术报告(2017-12-13)‘)
(‘2017-11-28‘, ‘计信院前沿学术报告(2017-11-28)‘)
(‘2017-11-22‘, ‘Third Joint Research Workshop‘)
(‘2017-11-06‘, ‘计信院前沿学术报告(2017-11-11)‘)
(‘2017-11-06‘, ‘计信院前沿学术报告(2017-11-10)‘)
(‘2017-11-06‘, ‘计信院前沿学术报告(2017-11-09)‘)
(‘2017-10-29‘, ‘计信院前沿学术报告(2017-10-30)‘)
(‘2017-10-25‘, ‘计信院前沿学术报告(2017-10-31)‘)
(‘2017-10-19‘, ‘计信院前沿学术报告(2017-10-23)‘)
(‘2017-10-17‘, ‘卑尔根-重庆网络化系统暑期学校‘)
(‘2017-10-12‘, ‘首届“西南大学重要学术成果”候选成果系列报告‘)
(‘2017-09-18‘, ‘出国访学（留学）经验交流‘)
(‘2017-09-14‘, ‘计信院前沿学术报告2017-09-15‘)
(‘2017-09-06‘, ‘出国访学（留学）经验交流‘)
(‘2017-07-05‘, ‘出国访学（留学）经验交流‘)
(‘2017-06-21‘, ‘计信院前沿学术报告(2017-06-27)‘)
(‘2017-06-21‘, ‘计信院前沿学术报告(2017-06-26)‘)
(‘2017-06-12‘, ‘计信院出国访学（留学）经验交流‘)
(‘2017-05-27‘, ‘计信院前沿学术报告(2017-06-02)‘)
(‘2017-05-24‘, ‘计信院学术研讨会(2017-05-28)‘)
(‘2017-05-24‘, ‘计信院前沿学术报告(2017-05-26)‘)
(‘2017-05-03‘, ‘西南大学青年学者含弘科技论坛‘)
(‘2017-04-13‘, ‘可信软件系统工程（国际）春季学校‘)
(‘2017-04-10‘, ‘西南大学计信院前沿学术报告‘)
(‘2017-03-31‘, ‘西南大学计信院前沿学术报告‘)
(‘2017-03-31‘, ‘西南大学教师参加国际学术会议专题报告会‘)
(‘2017-03-29‘, ‘西南大学计信院前沿学术报告‘)
(‘2017-03-29‘, ‘西南大学计信院前沿学术报告‘)
(‘2017-03-29‘, ‘西南大学计信院前沿学术报告‘)
(‘2017-03-28‘, ‘出国访学（留学）经验交流‘)
(‘2017-03-16‘, ‘出国访学（留学）经验交流‘)
(‘2017-03-15‘, ‘出国访学（留学）经验交流‘)
(‘2017-01-10‘, ‘西南大学计信院前沿学术报告‘)
(‘2017-01-05‘, ‘学术讲座‘)
(‘2017-01-04‘, ‘西南大学计信院前沿学术报告‘)
(‘2016-12-20‘, ‘理论计算机科学与形式化方法研讨会‘)
(‘2016-12-20‘, ‘西南大学计信院前沿学术报告‘)
(‘2016-12-14‘, ‘西南大学计信院前沿学术报告‘)
(‘2016-12-12‘, ‘西南大学计信院前沿学术报告‘)
一共有75条数据！

Process finished with exit code 0
View Code

 

从网页中爬取图片

eg:从https://maoyan.com/board/4?offset=10中爬取图片，存到位置C:\\Users\\22725\\Desktop\\temp

format 格式控制函数   foramt函数更常见的用法其实是str.format()

示例：
>>>" ".format("hello", "world")    # 不设置指定位置，按默认顺序
‘hello world‘
 
>>> "0 1".format("hello", "world")  # 设置指定位置
‘hello world‘
 
>>> "1 0 1".format("hello", "world")  # 设置指定位置
‘world hello world‘

 

代码：

import pymysql
import requests
from hashlib import md5
import re
import os

def get_text(url):
    r = requests.get(url)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    return r.text

def parse_html(url, list):
    demo = get_text(url)
    # 将正则表达式编译成正则表达式对象，方便复用该正则表达式
    # ".*?" ：匹配任意字符串
    # [\\u4e00-\\u9fa5] ：匹配中文
    # (\\d4-\\d2-\\d2) : 匹配日期
    patern = re.compile(‘img\\sdata-src="(.*?)"\\salt‘, re.S)
    results = re.findall(patern, demo)
    for result in results:
        list.append(result)
    return list

list = []
for i in range(0,2):#左闭右开区间[0,2)
    url = ‘https://maoyan.com/board/4?offset=‘+str(10*i)
    list = parse_html(url, list)

count = 0
for i in list:
    count = count + 1
    print(i)#输出图片链接
print("一共有"+str(count)+"条数据！")

def download_image(url):#保存图片链接
    r = requests.get(url)
    r.raise_for_status()
    save_image(r.content)

def save_image(content):#下载图片
    file_path = ‘0/1.2‘.format(‘C:/Users/22725/Desktop/temp‘, md5(content).hexdigest(), ‘jpg‘)#注意斜杠是/
    #format(‘文件储存地址‘，哈希算法随机生成子文件名称，‘文件格式‘)
    if not os.path.exists(file_path):#os.path.exists(file_path)判断文件是否存在，存在返回1，不存在返回0
        with open(file_path, ‘wb‘) as f:
            f.write(content)
            f.close()

for i in list:
    download_image(i)
print("下载成功")

 

输出：

技术图片 
C:\\Users\\22725\\PycharmProjects\\A\\venv\\Scripts\\python.exe C:/Users/22725/.PyCharmCE2019.1/config/scratches/scratch.py
https://p1.meituan.net/movie/[email protected]_220h_1e_1c
https://p0.meituan.net/movie/[email protected]_220h_1e_1c
https://p0.meituan.net/movie/[email protected]_220h_1e_1c
https://p1.meituan.net/movie/[email protected]_220h_1e_1c
https://p1.meituan.net/movie/[email protected]_220h_1e_1c
https://p0.meituan.net/movie/[email protected]_220h_1e_1c
https://p0.meituan.net/movie/[email protected]_220h_1e_1c
https://p0.meituan.net/movie/[email protected]_220h_1e_1c
https://p1.meituan.net/movie/[email protected]_220h_1e_1c
https://p0.meituan.net/movie/[email protected]_220h_1e_1c
https://p1.meituan.net/movie/[email protected]_220h_1e_1c
https://p1.meituan.net/movie/[email protected]_220h_1e_1c
https://p1.meituan.net/movie/[email protected]_220h_1e_1c
https://p0.meituan.net/movie/[email protected]_220h_1e_1c
https://p1.meituan.net/movie/[email protected]_220h_1e_1c
https://p0.meituan.net/movie/[email protected]_220h_1e_1c
https://p0.meituan.net/movie/[email protected]_220h_1e_1c
https://p1.meituan.net/movie/[email protected]_220h_1e_1c
https://p0.meituan.net/movie/[email protected]_220h_1e_1c
https://p1.meituan.net/movie/[email protected]_220h_1e_1c
一共有20条数据！
下载成功

Process finished with exit code 0
View Code

 技术图片

以上是关于python爬取网页文本图片的主要内容，如果未能解决你的问题，请参考以下文章

Python文本爬虫实战

python爬虫 将在线html网页中的图片链接替换成本地链接并将html文件下载到本地

python——爬取图片（shutter图片网）

如何用爬虫爬取网页上的数据

python3爬取网页图片

python爬取MM图片