网页源代码抓取工具(来自《Python项目案例开发从入门到实战》（清华大学出版社郑秋生夏敏捷主编） )

　　网页源代码抓取工具(来自《Python项目案例开发从入门到实战》（清华大学出版社郑秋生夏敏捷主编）

)

　　来自《Python项目案例开发从入门到实战》（清华大学出版社郑秋生、夏敏毅主编）爬虫应用-抓取百度图片

　　本文使用请求库爬取了一张网站的图片。博文前几章介绍了如何使用urllib库抓取网页。本文主要使用请求库抓取网页内容和使用方法基本相同，只是请求方法比较简单

　　别忘了爬虫的基本思想：

　　1. 指定要爬取的链接然后抓取网站源码

　　2.提取你想要的内容，比如你想爬取图片信息，可以选择用正则表达式过滤或者使用提取

　　如何标记

　　3.循环获取要爬取的内容列表，保存文件

　　这里的代码和我博客前几章（图片爬虫系列一）的区别在于：

　　1. requests 库用于提取网页

　　2. 保存图片时，后缀不总是使用png或jpg，而是图片本身的后缀名

　　3.保存图片时，不要使用urllib.request.urlretrieve函数，而是使用文件读写操作保存图片

　　具体代码如下图所示：

　　 1 # 使用requests、bs4库下载华侨大学主页上的所有图片

2 import os 3 import requests 4 from bs4 import BeautifulSoup 5 import shutil 6 from pathlib import Path # 关于文件路径操作的库，这里主要为了得到图片后缀名

7

8

9 # 该方法传入url,返回url的html的源代码

10 def getHtmlCode(url): 11 # 伪装请求的头部来隐藏自己

12 headers = { 13 'User-Agent': 'MMozilla/5.0(Windows NT 6.1; WOW64; rv:31.0) Gecko/20100101 Firefox/31.0'

14 } 15 # 获取网页

16 r = requests.get(url, headers=headers) 17 # 指定网页解析的编码格式

18 r.encoding = 'UTF-8'

19 # 获取url页面的源代码字符串文本

20 page = r.text 21 return page 22

23

24 # 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

25 def getImg(page, localPath): 26 # 判断文件夹是否存在，存在则删除，最后都要重新新的文件夹

27 if os.path.exists(localPath): 28 shutil.rmtree(localPath) 29 os.mkdir(localPath) 30

31 # 按照Html格式解析页面

32 soup = BeautifulSoup(page, 'html.parser') 33 # 返回的是一个包含所有img标签的列表

34 imgList = soup.find_all('img') 35 x = 0 36 # 循环url列表

37 for imgUrl in imgList: 38 try: 39 # 得到img标签中的src具体内容

40 imgUrl_src = imgUrl.get('src') 41 # 排除 src='' 的情况

42 if imgUrl_src != '': 43 print('正在下载第 %d : %s 张图片' % (x+1, imgUrl_src)) 44 # 判断图片是否是从绝对路径https开始，具体为什么这样操作可以看下图所示

45 if "https://" not in imgUrl_src: 46 m = 'https://www.hqu.edu.cn/' + imgUrl_src 47 print('正在下载： %s' % m) 48 # 获取图片

49 ir = requests.get(m) 50 else: 51 ir = requests.get(imgUrl_src) 52 # 设置Path变量，为了使用Pahtlib库中的方法提取后缀名

53 p = Path(imgUrl_src) 54 # 得到后缀，返回的是如 '.jpg'

55 p_suffix = p.suffix 56 # 用write()方法写入本地文件中，存储的后缀名用原始的后缀名称

57 open(localPath + str(x) + p_suffix, 'wb').write(ir.content) 58 x = x + 1

59 except: 60 continue

61

62

63 if __name__ == '__main__': 64 # 指定爬取图片链接

65 url = 'https://www.hqu.edu.cn/index.htm'

66 # 指定存储图片路径

67 localPath = './img/'

68 # 得到网页源代码

69 page = getHtmlCode(url) 70 # 保存图片

71 getImg(page, localPath)

　　注意，我们之所以判断图片链接是否以“https://”开头，主要是因为我们需要完整的绝对路径来下载图片，并且需要查看原创网页代码，选择图片，然后单击 html 所在的代码。 , 鼠标悬停，可以看到绝对路径，然后根据这个绝对路径设置需要添加的缺失部分，如下图：