白云岛资源网 Design By www.pvray.com
想要爬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,抓取该网站的源代码(如果使用google浏览器就是按下鼠标右键 -> Inspect-> Elements 中的 html 内容)
(2)根据你要抓取的内容设置正则表达式以匹配要抓取的内容
(3)设置循环列表,重复抓取和保存内容
以下介绍了两种方法实现抓取指定网页中图片
(1)方法一:使用正则表达式过滤抓到的 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]*"', page) imageList = re.findall(r'(https:[^\s]*"', 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,代码中需要修改的就是imageList = re.findall(r'(https:[^\s]*"', page) 这一块内容,如何设计正则表达式需要根据你想要抓取的内容设置。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,所以写成imageList = re.findall(r'(https:[^\s]*"', page)也是可以的。
(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<img src="/UploadFiles/2021-04-08/...">这两种方法各有利弊,我觉得可以灵活结合使用这两种方法,比如先使用方法2中指定标签的方法缩小要寻找的内容范围,然后再使用正则表达式匹配想要的内容,这样做起来更加简洁明了。
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。
白云岛资源网 Design By www.pvray.com
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
白云岛资源网 Design By www.pvray.com
暂无评论...