网页爬虫抓取百度图片(本文针对初学者，我会用最简单的案例告诉你如何入门python爬虫)
优采云 发布时间: 2022-04-10 23:40网页爬虫抓取百度图片(本文针对初学者，我会用最简单的案例告诉你如何入门python爬虫)
这篇文章是针对初学者的。我将用最简单的案例告诉你如何开始使用python爬虫！
上手Python爬虫，首先需要解决四个问题
一、你应该知道什么是爬虫吧？
网络爬虫，其实叫网络数据采集，比较好理解。
就是通过编程向Web服务器请求数据（HTML表单），然后解析HTML提取出你想要的数据。
可以概括为四个步骤：
根据url获取HTML数据，解析HTML，获取目标信息并存储数据，重复第一步
这将涉及数据库、Web 服务器、HTTP 协议、HTML、数据科学、网络安全、图像处理等等。但是对于初学者来说，没有必要掌握这么多。
二、你有多想学python
如果你不会python，你需要先学习python，一种非常简单的语言（相对于其他语言）。
编程语言的基本语法无非就是数据类型、数据结构、运算符、逻辑结构、函数、文件IO、错误处理。这会很无聊，但学起来并不难。
刚开始学爬虫，甚至不需要学习python的类、多线程、模块等稍有难度的内容。找一本初学者的教材或者网上教程，用了十多天，可以对python的基础有一个三四点的了解，然后就可以玩爬虫了！
当然，前提是这十天一定要仔细敲代码，反复咀嚼语法逻辑。比如列表、字典、字符串、if语句、for循环等最核心的东西，一定要心手可得。
教材选择更多。我个人推荐官方的python文档和简洁的python教程。前者更系统，后者更简洁。
三、为什么你需要了解 HTML
前面说过，爬虫要爬取的数据隐藏在网页中的HTML中，有点混乱！
这就是维基百科解释 HTML 的方式
超文本标记语言（英文：HyperTextMarkupLanguage，简称：HTML）是一种用于创建网页的标准标记语言。HTML 是一种底层技术，许多 网站 使用 CSS 和 JavaScript 来设计网页、Web 应用程序和移动应用程序的用户界面 [3]。Web 浏览器可以读取 HTML 文件并将它们呈现为可视网页。HTML 描述了 网站 的结构语义作为提示，使其成为一种标记语言而不是一种编程语言。
综上所述，HTML是一种用于创建网页的标记语言，嵌入了文本、图像等数据，可以被浏览器读取并渲染到我们看到的网页中。
所以我们会先爬取HTML，然后解析数据，因为数据是隐藏在HTML中的。
学习HTML并不难，它不是一门编程语言，你只需要熟悉它的标记规则，这里是一个大概的介绍。
HTML 标记收录几个关键部分，例如标签（及其属性）、基于字符的数据类型、字符引用和实体引用。
HTML 标签是最常见的，通常成对出现，例如 .
在这些成对的标签中，第一个标签是开始标签，第二个标签是结束标签。两个标签之间是元素的内容（文本、图片等），有些标签没有内容，是空元素，比如
.
下面是一个经典的 Hello World 程序示例：
This is a title
<p>Hello world!
</p>
HTML 文档由嵌套的 HTML 元素组成。它们由 HTML 标记表示，用尖括号括起来，例如
[56]
在一般情况下，一个元素由一对标签表示：“开始标签”
带有“结束标签”
. 带有文本内容的元素放置在这些标签之间。
四、了解python网络爬虫的基本原理
编写python爬虫时，只需要做两件事：
对于这两件事，python有相应的库来帮助你，你只需要知道如何使用它们。
五、使用python库爬取百度首页标题和图片
首先，发送HTML数据请求，可以使用python内置库urllib，里面有一个urlopen函数，可以根据url获取HTML文件。这里尝试获取百度首页“/”的HTML内容
# 导入urllib库的urlopen函数
from urllib.request import urlopen
# 发出请求，获取html
html = urlopen("https://www.baidu.com/")
# 获取的html内容是字节，将其转化为字符串
html_text = bytes.decode(html.read())
# 打印html内容
print(html_text)
看看效果：
部分截取输出的html内容
下面我们来看看真正的百度主页html是什么样子的。如果你使用的是谷歌浏览器，在百度首页打开设置>更多工具>开发者工具，点击元素，可以看到：
在谷歌浏览器中查看 HTML
对比一下就知道刚才python程序得到的html和网页中的html是一样的！
获取到HTML之后，接下来就是解析HTML，因为你想要的文字、图片、视频都隐藏在HTML中，需要通过某种手段提取出需要的数据。
Python 还提供了很多强大的库来帮助你解析 HTML。这里使用著名的python库BeautifulSoup作为解析上面已经获取的HTML的工具。
BeautifulSoup 是一个需要安装和使用的第三方库。您可以从命令行使用 pip 安装它：
pip install bs4
BeautifulSoup 会将 HTML 内容转换为结构化内容，您只需从结构化标签中提取数据即可：
比如我想获取百度首页的标题“百度，我会知道”，该怎么做？
这个标题被两个标签包围，一个是一级标签，另一个是二级标签，所以只需从标签中取出信息
# 导入urlopen函数
from urllib.request import urlopen
# 导入BeautifulSoup
from bs4 import BeautifulSoup as bf
# 请求获取HTML
html = urlopen("https://www.baidu.com/")
# 用BeautifulSoup解析html
obj = bf(html.read(),'html.parser')
# 从标签head、title里提取标题
title = obj.head.title
# 打印标题
print(title)
查看结果：
这样就完成了，成功提取了百度首页的标题。
如果我想下载百度主页logo图片怎么办？
第一步是获取网页的所有图片标签和网址。这可以使用 BeautifulSoup 的 findAll 方法，该方法可以提取标签中收录的信息。
一般来说，HTML中所有的图片信息都会在“img”标签中，所以我们可以通过findAll(“img”)来获取所有图片的信息。
# 导入urlopen
from urllib.request import urlopen
# 导入BeautifulSoup
from bs4 import BeautifulSoup as bf
# 请求获取HTML
html = urlopen("https://www.baidu.com/")
# 用BeautifulSoup解析html
obj = bf(html.read(),'html.parser')
# 从标签head、title里提取标题
title = obj.head.title
# 使用find_all函数获取所有图片的信息
pic_info = obj.find_all('img')
# 分别打印每个图片的信息
for i in pic_info:
print(i)
查看结果：
打印出所有图片的属性，包括class（元素类名）、src（链接地址）、长宽高。
有一张百度主页logo的图片，图片的class（元素类名）为index-logo-src。
[//www.baidu.com/img/bd_logo1.png, //www.baidu.com/img/baidu_jgylogo3.gif]
可以看到图片的链接地址在src属性中。我们需要获取图片的链接地址：
# 导入urlopen
from urllib.request import urlopen
# 导入BeautifulSoup
from bs4 import BeautifulSoup as bf
# 请求获取HTML
html = urlopen("https://www.baidu.com/")
# 用BeautifulSoup解析html
obj = bf(html.read(),'html.parser')
# 从标签head、title里提取标题
title = obj.head.title
# 只提取logo图片的信息
logo_pic_info = obj.find_all('img',class_="index-logo-src")
# 提取logo图片的链接
logo_url = "https:"+logo_pic_info[0]['src']
# 打印链接
print(logo_url)
结果：
获取地址后，可以使用urllib.urlretrieve函数下载logo图片
# 导入urlopen
from urllib.request import urlopen
# 导入BeautifulSoup
from bs4 import BeautifulSoup as bf
# 导入urlretrieve函数，用于下载图片
from urllib.request import urlretrieve
# 请求获取HTML
html = urlopen("https://www.baidu.com/")
# 用BeautifulSoup解析html
obj = bf(html.read(),'html.parser')
# 从标签head、title里提取标题
title = obj.head.title
# 只提取logo图片的信息
logo_pic_info = obj.find_all('img',class_="index-logo-src")
# 提取logo图片的链接
logo_url = "https:"+logo_pic_info[0]['src']
# 使用urlretrieve下载图片
urlretrieve(logo_url, 'logo.png')
最终图像保存在“logo.png”中
六、结束语
本文以爬取百度首页标题和logo图片为例，讲解python爬虫的基本原理以及相关python库的使用。这是一个比较基础的爬虫知识，后面还有很多优秀的python爬虫库和框架等着学习。
当然，如果你掌握了本文提到的知识点，你就已经开始上手python爬虫了。来吧，少年！
结尾
