网页源代码抓取工具(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(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

　　抓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，获取网站的源码（如果使用google浏览器，鼠标右键->Inspect->Elements中的html内容）

　　(2） 根据你要爬取的内容设置正则表达式匹配你要爬取的内容

　　(3）设置循环列表，反复抓取保存内容

　　下面介绍两种抓取指定网页图片的方法

　　(1）方法一：使用正则表达式过滤捕获的html内容字符串

　　 1 # 第一个简单的爬取图片的程序

2 import urllib.request # python自带的爬操作url的库

3 import re # 正则表达式

4

5

6 # 该方法传入url,返回url的html的源代码

7 def getHtmlCode(url):

8 # 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

9 headers = {

10 \'User-Agent\': \'Mozilla/5.0(Linux; Android 6.0; Nexus 5 Build/MRA58N) \

11 AppleWebKit/537.36(KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36\'

12 }

13 # 将headers头部添加到url，模拟浏览器访问

14 url = urllib.request.Request(url, headers=headers)

15

16 # 将url页面的源代码保存成字符串

17 page = urllib.request.urlopen(url).read()

18 # 字符串转码

19 page = page.decode(\'UTF-8\')

20 return page

21

22

23 # 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

24 def getImage(page):

25 # [^\s]*? 表示最小匹配， 两个括号表示列表中有两个元组

26 # imageList = re.findall(r\'(https:[^\s]*?(png))"\', page)

27 imageList = re.findall(r\'(https:[^\s]*?(jpg|png|gif))"\', page)

28 x = 0

29 # 循环列表

30 for imageUrl in imageList:

31 try:

32 print(\'正在下载: %s\' % imageUrl[0])

33 # 这个image文件夹需要先创建好才能看到结果

34 image_save_path = \'./image/%d.png\' % x

35 # 下载图片并且保存到指定文件夹中

36 urllib.request.urlretrieve(imageUrl[0], image_save_path)

37 x = x + 1

38 except:

39 continue

40

41 pass

42

43

44 if __name__ == \'__main__\':

45 # 指定要爬取的网站

46 url = "https://www.cnblogs.com/ttweixiao-IT-program/p/13324826.html"

47 # 得到该网站的源代码

48 page = getHtmlCode(url)

49 # 爬取该网站的图片并且保存

50 getImage(page)

51 # print(page)

　　注意代码中需要修改的是 imageList = re.findall(r\'(https:[^\s]*?(jpg|png|gif))"\', page) 这一段内容，如何设计正则表达式需要根据你要爬取的内容进行设置，我的设计源码如下：

　　

　　可以看到，因为这个页面的图片都是png格式，所以也可以写成imageList = re.findall(r\'(https:[^\s]*?(png))"\', page ）。

　　（2）方法二：使用BeautifulSoup库解析html网页

　　 1 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

2 import urllib # python自带的爬操作url的库

3

4

5 # 该方法传入url,返回url的html的源代码

6 def getHtmlCode(url):

7 # 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

8 headers = {

9 \'User-Agent\': \'Mozilla/5.0(Linux; Android 6.0; Nexus 5 Build/MRA58N) \

10 AppleWebKit/537.36(KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36\'

11 }

12 # 将headers头部添加到url，模拟浏览器访问

13 url = urllib.request.Request(url, headers=headers)

14

15 # 将url页面的源代码保存成字符串

16 page = urllib.request.urlopen(url).read()

17 # 字符串转码

18 page = page.decode(\'UTF-8\')

19 return page

20

21

22 # 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

23 def getImage(page):

24 # 按照html格式解析页面

25 soup = BeautifulSoup(page, \'html.parser\')

26 # 格式化输出DOM树的内容

27 print(soup.prettify())

28 # 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...

29 imgList = soup.find_all(\'img\')

30 x = 0

31 # 循环找到的图片列表，注意，这里手动设置从第2张图片开始，是因为我debug看到了第一张图片不是我想要的图片

32 for imgUrl in imgList[1:]:

33 print(\'正在下载： %s \' % imgUrl.get(\'src\'))

34 # 得到scr的内容，这里返回的就是Url字符串链接，如\'https://img2020.cnblogs.com/blog/1703588/202007/1703588-20200716203143042-623499171.png\'

35 image_url = imgUrl.get(\'src\')

36 # 这个image文件夹需要先创建好才能看到结果

37 image_save_path = \'./image/%d.png\' % x

38 # 下载图片并且保存到指定文件夹中

39 urllib.request.urlretrieve(image_url, image_save_path)

40 x = x + 1

41

42

43 if __name__ == \'__main__\':

44 # 指定要爬取的网站

45 url = \'https://www.cnblogs.com/ttweixiao-IT-program/p/13324826.html\'

46 # 得到该网站的源代码

47 page = getHtmlCode(url)

48 # 爬取该网站的图片并且保存

49 getImage(page)

　　这两种方法各有优缺点。我认为它们可以灵活组合。比如先用方法二中的指定标签的方法缩小你要查找的内容范围，然后再用正则表达式匹配到需要的内容。它更简洁明了。