php网页抓取图片(想要爬取指定网页中的图片主要需要以下三个步骤介绍)

　　php网页抓取图片(想要爬取指定网页中的图片主要需要以下三个步骤介绍)

　　抓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，抓取网站的源码（如果你使用谷歌浏览器，按鼠标右键-> Inspect-> Elements中的html内容）

　　(2） 根据你要爬取的内容设置正则表达式匹配你要爬取的内容

　　(3）设置循环列表，反复抓取保存内容

　　下面介绍两种抓取指定网页图片的方法

　　(1）方法一：使用正则表达式过滤抓取到的html内容字符串

　　

# 第一个简单的爬取图片的程序

import urllib.request # python自带的爬操作url的库

import re # 正则表达式

# 该方法传入url,返回url的html的源代码

def getHtmlCode(url):

# 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

headers = {

'User-Agent': 'Mozilla/5.0(Linux; Android 6.0; Nexus 5 Build/MRA58N) \

AppleWebKit/537.36(KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36'

}

# 将headers头部添加到url，模拟浏览器访问

url = urllib.request.Request(url, headers=headers)

# 将url页面的源代码保存成字符串

page = urllib.request.urlopen(url).read()

# 字符串转码

page = page.decode('UTF-8')

return page

# 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

def getImage(page):

# [^\s]*? 表示最小匹配， 两个括号表示列表中有两个元组

# imageList = re.findall(r'(https:[^\s]*?(png))"', page)

imageList = re.findall(r'(https:[^\s]*?(jpg|png|gif))"', page)

x = 0

# 循环列表

for imageUrl in imageList:

try:

print('正在下载: %s' % imageUrl[0])

# 这个image文件夹需要先创建好才能看到结果

image_save_path = './image/%d.png' % x

# 下载图片并且保存到指定文件夹中

urllib.request.urlretrieve(imageUrl[0], image_save_path)

x = x + 1

except:

continue

pass

if __name__ == '__main__':

# 指定要爬取的网站

url = "https://www.cnblogs.com/ttweixiao-IT-program/p/13324826.html"

# 得到该网站的源代码

page = getHtmlCode(url)

# 爬取该网站的图片并且保存

getImage(page)

# print(page)

　　注意代码中需要修改的是 imageList = re.findall(r'(https:[^\s]*?(jpg|png|gif))"', page) 这一段内容，怎么设计正则表达式需要根据设置你要爬取的内容，我的设计源码如下：

　　

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

　　（2）方法二：使用BeautifulSoup库解析html网页

　　

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

import urllib # python自带的爬操作url的库

# 该方法传入url,返回url的html的源代码

def getHtmlCode(url):

# 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

headers = {

'User-Agent': 'Mozilla/5.0(Linux; Android 6.0; Nexus 5 Build/MRA58N) \

AppleWebKit/537.36(KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36'

}

# 将headers头部添加到url，模拟浏览器访问

url = urllib.request.Request(url, headers=headers)

# 将url页面的源代码保存成字符串

page = urllib.request.urlopen(url).read()

# 字符串转码

page = page.decode('UTF-8')

return page

# 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

def getImage(page):

# 按照html格式解析页面

soup = BeautifulSoup(page, 'html.parser')

# 格式化输出DOM树的内容

print(soup.prettify())

# 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...

imgList = soup.find_all('img')

x = 0

# 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

for imgUrl in imgList[1:]:

print('正在下载： %s ' % imgUrl.get('src'))

# 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'

image_url = imgUrl.get('src')

# 这个image文件夹需要先创建好才能看到结果

image_save_path = './image/%d.png' % x

# 下载图片并且保存到指定文件夹中

urllib.request.urlretrieve(image_url, image_save_path)

x = x + 1

if __name__ == '__main__':

# 指定要爬取的网站

url = 'https://www.cnblogs.com/ttweixiao-IT-program/p/13324826.html'

# 得到该网站的源代码

page = getHtmlCode(url)

# 爬取该网站的图片并且保存

getImage(page)

　　这两种方法各有优缺点。我认为它们可以灵活组合。比如先用方法二中的指定标签的方法来缩小你要查找的内容范围，然后再用正则表达式来匹配需要的内容。它更简洁明了。

　　以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持面圈教程。