网页内容抓取工具(爬取指定网页中的图片（1）方法介绍步骤)

　　网页内容抓取工具(爬取指定网页中的图片（1）方法介绍步骤)

　　爬取指定网页中的图片，需要经过以下三个步骤：

　　（1）指定网站的链接，抓取网站的源码（如果用google浏览器，鼠标右键->Inspect->Elements中的html内容）

　　(2）设置正则表达式来匹配你要抓取的内容

　　(3）设置循环列表，反复抓取和保存内容

　　下面介绍两种方法来实现指定网页中图片的抓取

　　(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-600' % 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.fi source gaodai$ma#comengage $code*code network ndall(r'(https:[^\s]*?(jpg|png|gif)) "', page)，如何设计正则表达式需要根据你要抓取的内容来设置。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格式的，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-600' 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-600' % 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地组合使用。例如，使用方法2中指定标签的方法来缩小要查找的内容的范围，然后使用正则表达式匹配所需的内容。这样做更简洁明了。

　　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高代马搞码网。