前言
什么是网络爬虫（也叫网络蜘蛛）？简单来说，是一种用来自动浏览万维网程序或脚本（网络爬虫的典型应用就是我们所熟知的搜索引擎）。既然如此，那么我们也可以写一个程序，用来自动浏览或者获取网页上的信息。本文将介绍利用python自带库编写一个简单的爬虫程序来获取网络信息。
进群：548377875 即可获取数十套PDF书籍哦！限前五十套呢！
准备
本次爬取实例可能涉及以下知识：
python基础知识
urllib库使用
http基本知识
html/js基本知识
正则表达式
环境准备：
linux(windows基本适用)
python3
chrome浏览器
爬取目标
本次爬取的目标是知乎话题下的图片。
分析
以知乎话题你有哪些压箱底的表情包？为例
(链接地址:https://www.zhihu.com/question/48132860):
用chrome浏览器打开该链接。鼠标右键-检查元素，在elements页移动鼠标，当鼠标移动到某元素时，页面会被选中，因此我们可以找到第一张图片的img标签，而在标签中，我们可以找到图片的url地址，复制url地址，在浏览器打开，我们就看到了需要下载的表情包了。
至此，整体思路就很简单了：访问话题页--找到img标签--获取图片url地址--下载图片。
查找链接
代码
#!/usr/bin/python3
#coding=utf-8
import urllib.request as request
import urllib.parse as parse
import string
import sys
import re
import os
import urllib.error as error
'''
获取url中的图片
url：链接地址
dirpath：保存路径
'''
def getUrlImage(url,dirpath):
dldNum=0
#存储目录不存在时，创建目录
if not os.path.isdir(dirpath):
os.makedirs(dirpath)
data = request.urlopen(url).read()
page_data = data.decode('gbk','ignore')
#获取img标签数据
page_image = re.compile('
#循环获取img标签中的图片
for image in page_image.findall(page_data):
#匹配数据中的图片
pattern = re.compile(r'^https://.*.(jpg|png|gif|jpeg)$')
if pattern.match(image):
print (image)
try:
extension = GetFileNameAndExt(image)
#读取图片内容
image_data = request.urlopen(image).read()
image_path = dirpath+'/'+str(dldNum)+extension
dldNum += 1
print(image_path)
#保存图片
with open(image_path, 'wb') as image_file:
image_file.write(image_data)
image_file.close()
except error.URLError as e:
print('Download failed')
'''
获取文件名中的扩展名
'''
def GetFileNameAndExt(filename):
(filepath,tempfilename) = os.path.split(filename);
(shotname,extension) = os.path.splitext(tempfilename);
return extension
'''
入口函数
带两个参数
参数1:话题链接地址
参数2:图片保存路径
'''
if __name__ == "__main__":
if(len(sys.argv) < 2):
print("usage:./download_spider.py url savePath")
else:
print("the url is "+str(sys.argv[1]))
print("the save path is "+str(sys.argv[2]))
url = sys.argv[1]
savePath = sys.argv[2]
getUrlImage(url,savePath)
运行
有两个参数，第一个参数是url，即话题的链接，第二个参数是所要保存图片的路径。
在linux下运行,可以看到正在不断保存话题图片
./getZhiHuImage.py https://www.zhihu.com/question/48132860 ./test
程序执行完成后可以在目的目录下发现下载好的图片，接下来就可以开心地去斗图啦。
下载结果
下载结果2
最后说两句
本文仅简单利用了python自带urllib库完成了话题图片的获取工作，但更多时候，爬取网络资源要更困难得的多，要获取的内容也不像本文例子中那么明显易得到，比如可能需要模拟登录，验证码识别，伪装成浏览器，去重等等，这里不再展开。但是Python中自带urllib及urllib2 库，基本上能满足一般的页面抓取了。
网友评论