$python爬蟲系列（1）——一個簡單的爬蟲實例

本文主要實現一個簡單的爬蟲，目的是從一個百度貼吧頁面下載圖片。

1. 概述

本文主要實現一個簡單的爬蟲，目的是從一個百度貼吧頁面下載圖片。下載圖片的步驟如下：

1. 獲取網頁html文本內容；
2. 分析html中圖片的html標簽特征，用正則解析出所有的圖片url鏈接列表；
3. 根據圖片的url鏈接列表將圖片下載到本地文件夾中。

2. urllib+re實現

#!/usr/bin/python
# coding:utf-8
# 實現一個簡單的爬蟲，爬取百度貼吧圖片
import urllib
import re

# 根據url獲取網頁html內容
def getHtmlContent(url):
    page = urllib.urlopen(url)
    return page.read()

# 從html中解析出所有jpg圖片的url
# 百度貼吧html中jpg圖片的url格式為：<img ... src="XXX.jpg" width=...>
def getJPGs(html):
    # 解析jpg圖片url的正則
    jpgReg = re.compile(r'<img.+?src="(.+?\.jpg)" width')  # 注：這里最后加一個'width'是為了提高匹配精確度
    # 解析出jpg的url列表
    jpgs = re.findall(jpgReg,html)
    
    return jpgs

# 用圖片url下載圖片並保存成制定文件名
def downloadJPG(imgUrl,fileName):
    urllib.urlretrieve(imgUrl,fileName)
    
# 批量下載圖片，默認保存到當前目錄下
def batchDownloadJPGs(imgUrls,path = './'):
    # 用於給圖片命名
    count = 1
    for url in imgUrls:
        downloadJPG(url,''.join([path,'{0}.jpg'.format(count)]))
        count = count + 1

# 封裝：從百度貼吧網頁下載圖片
def download(url):
    html = getHtmlContent(url)
    jpgs = getJPGs(html)
    batchDownloadJPGs(jpgs)
    
def main():
    url = 'http://tieba.baidu.com/p/2256306796'
    download(url)
    
if __name__ == '__main__':
    main()

運行上面腳本，過幾秒種之后完成下載，可以在當前目錄下看到圖片已經下載好了：

3. requests + re實現

下面用requests庫實現下載，把getHtmlContent和downloadJPG函數都用requests重新實現。

#!/usr/bin/python
# coding:utf-8
# 實現一個簡單的爬蟲，爬取百度貼吧圖片
import requests
import re

# 根據url獲取網頁html內容
def getHtmlContent(url):
    page = requests.get(url)
    return page.text

# 從html中解析出所有jpg圖片的url
# 百度貼吧html中jpg圖片的url格式為：<img ... src="XXX.jpg" width=...>
def getJPGs(html):
    # 解析jpg圖片url的正則
    jpgReg = re.compile(r'<img.+?src="(.+?\.jpg)" width')  # 注：這里最后加一個'width'是為了提高匹配精確度
    # 解析出jpg的url列表
    jpgs = re.findall(jpgReg,html)
    
    return jpgs

# 用圖片url下載圖片並保存成制定文件名
def downloadJPG(imgUrl,fileName):
    # 可自動關閉請求和響應的模塊
    from contextlib import closing
    with closing(requests.get(imgUrl,stream = True)) as resp:
        with open(fileName,'wb') as f:
            for chunk in resp.iter_content(128):
                f.write(chunk)
    
# 批量下載圖片，默認保存到當前目錄下
def batchDownloadJPGs(imgUrls,path = './'):
    # 用於給圖片命名
    count = 1
    for url in imgUrls:
        downloadJPG(url,''.join([path,'{0}.jpg'.format(count)]))
        print '下載完成第{0}張圖片'.format(count)
        count = count + 1

# 封裝：從百度貼吧網頁下載圖片
def download(url):
    html = getHtmlContent(url)
    jpgs = getJPGs(html)
    batchDownloadJPGs(jpgs)
    
def main():
    url = 'http://tieba.baidu.com/p/2256306796'
    download(url)
    
if __name__ == '__main__':
    main()

輸出：和前面一樣。