python爬虫_入门

2018-02-24 07:51:31来源:cnblogs.com作者:咻_python人点击

分享

本来觉得没什么可写的,因为网上这玩意一搜一大把,不过爬虫毕竟是python的一个大亮点,不说说感觉对不起这玩意
基础点来说,python2写爬虫重点需要两个模块,urllib和urllib2,其实还有re
先介绍下模块的一些常用功能
urllib.urlopen('http://xxx.xxx.xxx') #打开一个网址,只是打开,和open差不多
urllib2.Request(url) #解析网址,这个可以省略,具体不是很懂,一些功能,比如加head头什么的也需要使用这个
urllib.urlretrieve(url,filename) #下载用,把url提供的东西down下来,并用filename保存
举个蜂鸟爬图片的例子,下面上伪代码:

1、url解析2、打开url3、读取url,就是read()4、使用re.findall找到所有和图片有关系的地址,这里只jpg5、循环下载

看图上,图片链接格式是src="http://index_url/page_num/image_name.jpg?XXXXXXX",那么如果需要下载的话一定是需要红圈部分,也就是http://index_url/page_num/image_name.jpg
分析之后后面的事就好办了,下面上代码

import urllibimport urllib2import re#处理地址,并获取页面全部的图片地址def get_image_url(url):  #url_format = urllib2.Request(url) #1  url_open = urllib.urlopen(url) #2  url_read = url_open.read() #3  re_value = re.compile('(?<=src/=/").*?/.jpg')  image_url_list = re.findall(re_value,url_read) #4  return image_url_list#这个函数专门用来下载,前面两行是将图片连接中/前面的内容全部删除,留下后面的文件名用来保存文件的,try不说了,不清楚请翻回去看容错def down_image(image_url):  rev = '^.*/'  file_name = re.sub(rev,'',image_url)  try:    urllib.urlretrieve(image_url,file_name)  except:    print 'download %s fail' %image_url  else:    print 'download %s successed' %image_urlif __name__ == '__main__':  url = 'http://bbs.fengniao.com/forum/10384633.html'  image_url_list = get_image_url(url)  for image_url in image_url_list:    down_image(image_url) #5

困死,睡觉去。。。。。有时间再说说翻页什么的,就能爬网站了

最新文章

123

最新摄影

微信扫一扫

第七城市微信公众平台