本文介绍两种爬取方式:

1.正则表达式

2.bs4解析Html

以下为正则表达式爬虫,面向对象封装后的代码如下:

import urllib.request  # 用于下载图片
import os
import requests # 发送http请求
import re # 正则表达式匹配 class GetJpg(object): def __init__(self, start_urls):
self.start_urls = start_urls def get_response(self,url): '''获取网页响应内容''' response = requests.get(url).text
return response def get_content(self,html): '''获取网页响应内容中所有图片的整体div部分''' reg = re.compile(r'(<div class="j-r-list-c">.*?</div>.*?</div>)', re.S)
return re.findall(reg, html) def get_jpg_url(self,content): '''获取图片url''' reg = r'data-original="(.*?)"'
return re.findall(reg, content) def get_jpg_name(self,content): ''' 获取图片名称''' reg = re.compile(r'<a href="/detail-.{8}.html">(.*?)</a>')
return re.findall(reg, content) def download_jpg(self,src_url, path,index): '''下载图片保存到本地目录''' path = ''.join(path.split())
path = 'E:\Python\爬图片\{name}.{index}'.format(name=path,index=index)
if not os.path.exists(path):
urllib.request.urlretrieve(src_url, path) # 下载图片
print('OK!!!')
else:
print('文件已存在') def get_url_name(self,start_url): ''' 逐页下载,本部分本来可以放在main函数里,考虑到会多嵌套一个循环所以单独拿出来作为一个函数''' content = self.get_content(self.get_response(start_url))
for i in content:
jpg_url = self.get_jpg_url(i)
if jpg_url:
jpg_name = self.get_jpg_name(i)
index = jpg_url[0].split('.')[-1]
try:
self.download_jpg(jpg_url[0], jpg_name[0],index)
except:
continue def main(self): ''' 执行''' [self.get_url_name(start_url) for start_url in self.start_urls] # 此处列表生成器来执行
# 这部分的代码相当于:
# for start_url in self.start_urls:
# self.get_url_name(start_url) if __name__ == '__main__':
start_urls = ['http://www.budejie.com/{id}'.format(id=i) for i in range(1,10)]
jpg = GetJpg(start_urls) # 实例化一个对象
jpg.main()

以下为使用bs4爬取的代码:

from bs4 import BeautifulSoup
import urllib.request
import re def get_urls(img_girl):
'''
:param img_girl: <img>标签内容
:return: 所有图片的url
'''
all_urls = [girl.get('src') for girl in img_girl]
return all_urls def get_img_name(img_girl):
'''
:param img_girl: <img>标签内容
:return: 所有图片title
''' all_name = [girl.get('title') for girl in img_girl]
return all_name def get_img_resource(url):
'''
:param url:网站url
:return:网页源码中的所有<img>标签内容
'''
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.78 Safari/537.36',
'Accept - Language': 'zh - CN, zh;q = 0.8'
} # 添加请求头部,模拟浏览器
req = urllib.request.Request(url, headers=headers) # 创建对象
res = urllib.request.urlopen(req, timeout=20) # 发送请求
content = res.read() # 获取响应网页源码
soup = BeautifulSoup(content,'html.parser') # HMTL源码解析
img_girl = soup.find_all('img') # 获取 源码中的<img>标签模块内容
return img_girl def main(url):
'''
下载保存图片
:param url: 网站url
'''
urls = get_urls(get_img_resource(url))
names = get_img_name(get_img_resource(url))
x = 1
for src_url in urls:
path_l = re.split(r'\W', names[urls.index(src_url)]) # 去除图片名称中的特殊字符,不然文件名可能在保存的时候报错
path = ''.join(path_l)
path = 'E:\Python\爬图片\BS4\{name}_{index}.jpg'.format(name=path,index=x)
urllib.request.urlretrieve(src_url, path)
print('OK')
x += 1 if __name__ == "__main__":
urls = ['https://www.dbmeinv.com/dbgroup/show.htm?cid=4&pager_offset={i}'.format(i=id)for id in range(1,10) ]
[main(url)for url in urls]

bs4面向对象封装后代码:

from bs4 import BeautifulSoup
import urllib.request
import re class GetWebImg(object): def __init__(self, url, index):
self.url = url
self.index = index def get_urls(self,img_girl):
'''
:param img_girl: <img>标签内容
:return: 所有图片的url
'''
all_urls = [girl.get('src') for girl in img_girl]
return all_urls def get_img_name(self,img_girl):
'''
:param img_girl: <img>标签内容
:return: 所有图片title
''' all_name = [girl.get('title') for girl in img_girl]
return all_name def get_img_resource(self, url):
'''
:param url:网站url
:return:网页源码中的所有<img>标签内容
'''
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.78 Safari/537.36',
'Accept - Language': 'zh - CN, zh;q = 0.8'
} # 添加请求头部,模拟浏览器
req = urllib.request.Request(url, headers=headers) # 创建对象
res = urllib.request.urlopen(req, timeout=20) # 发送请求
content = res.read() # 获取响应网页源码
soup = BeautifulSoup(content, 'html.parser') # HMTL源码解析
img_girl = soup.find_all('img') # 获取 源码中的<img>标签模块内容
return img_girl def main(self):
'''
下载保存图片
:param url: 网站url
'''
url_list = self.get_urls(self.get_img_resource(self.url))
name_list = self.get_img_name(self.get_img_resource(self.url))
x = 1
for src_url in url_list:
path_l = re.split(r'\W', name_list[url_list.index(src_url)]) # 去除图片名称中的特殊字符,不然文件名可能在保存的时候报错
path = ''.join(path_l)
path = 'E:\Python\爬图片\BS4\{name}_{index}_{id}.jpg'.format(name=path, index=self.index,id =x)
urllib.request.urlretrieve(src_url, path)
print('第{index}页第{id}张图片下载OK'.format(index=self.index,id =x))
x += 1 if __name__ == "__main__":
urls = ['https://www.dbmeinv.com/dbgroup/show.htm?cid=4&pager_offset={i}'.format(i=id)for id in range(1,10) ]
index = 1
for url in urls:
get_img = GetWebImg(url,index)
get_img.main()
index += 1

运行结果:

python网络爬虫抓取网站图片的更多相关文章

  1. 如何利用Python网络爬虫抓取微信朋友圈的动态(上)

    今天小编给大家分享一下如何利用Python网络爬虫抓取微信朋友圈的动态信息,实际上如果单独的去爬取朋友圈的话,难度会非常大,因为微信没有提供向网易云音乐这样的API接口,所以很容易找不到门.不过不要慌 ...

  2. 利用Python网络爬虫抓取微信好友的签名及其可视化展示

    前几天给大家分享了如何利用Python词云和wordart可视化工具对朋友圈数据进行可视化,利用Python网络爬虫抓取微信好友数量以及微信好友的男女比例,以及利用Python网络爬虫抓取微信好友的所 ...

  3. 利用Python网络爬虫抓取微信好友的所在省位和城市分布及其可视化

    前几天给大家分享了如何利用Python网络爬虫抓取微信好友数量以及微信好友的男女比例,感兴趣的小伙伴可以点击链接进行查看.今天小编给大家介绍如何利用Python网络爬虫抓取微信好友的省位和城市,并且将 ...

  4. 如何利用Python网络爬虫抓取微信好友数量以及微信好友的男女比例

    前几天给大家分享了利用Python网络爬虫抓取微信朋友圈的动态(上)和利用Python网络爬虫爬取微信朋友圈动态——附代码(下),并且对抓取到的数据进行了Python词云和wordart可视化,感兴趣 ...

  5. Python入门-编写抓取网站图片的爬虫-正则表达式

    //生命太短 我用Python! //Python真是让一直用c++的村里孩子长知识了! 这个仅仅是一个测试,成功抓取了某网站1000多张图片. 下一步要做一个大新闻 大工程 #config = ut ...

  6. python网络爬虫抓取动态网页并将数据存入数据库MySQL

    简述以下的代码是使用python实现的网络爬虫,抓取动态网页 http://hb.qq.com/baoliao/ .此网页中的最新.精华下面的内容是由JavaScript动态生成的.审查网页元素与网页 ...

  7. 使用selenium实现简单网络爬虫抓取MM图片

    撸主听说有个网站叫他趣,里面有个社区,其中有一项叫他趣girl,撸主点进去看了下,还真不错啊,图文并茂,宅男们自己去看看就知道啦~ 接下来当然就是爬取这些妹子的图片啦,不仅仅是图片,撸主发现里面的对话 ...

  8. Python -- 网络编程 -- 抓取网页图片 -- 豆瓣妹子

    首先分析页面URL,形如http://dbmeizi.com/category/[1-14]?p=[0-476] 图片种类对应编号: 1:'性感', 2:'有沟', 3:'美腿', 4:'小露点', ...

  9. Python -- 网络编程 -- 抓取网页图片 -- 图虫网

    字符串(str)编码成字节码(bytes),字节码解码为字符串 获取当前环境编码:sys.stdin.encoding url编码urllib.parse.quote() url解码urllib.pa ...

随机推荐

  1. [Robot Framework] 搭建Robot Framework和RIDE(Robot Framework GUI) 的环境

    在windows x64的环境上进行安装,集成Selenium2和AutoIt的libraries,以下安装步骤在win 7,win 8.1,win 10, win 2012 R2上测试通过 1. 下 ...

  2. 我的MVP呢?

    Ladies and gentelmen, welcome the MVP of NBA 16-2017 Season:... 呃,等下,好像哪里不对.那是因为,我要说的MVP根本就不是Most Va ...

  3. Vue单页面应用

    单页面应用指一个系统只加载一次资源,然后下面的操作交互.数据交互是通过router.ajax来进       行,页面并没有刷新:<1>在vue搭建的环境里面怎么有没有公用的css和js? ...

  4. ERROR - abandon connection, open stackTrace

    项目采用的是阿里巴巴的druid连接池,配置文件中有个removeAbandoned的配置(意义是某个连接如果超过设置的连接活动时间的话,连接会被强制关掉),但是因为爬虫中某些连接会长时间处于活动状态 ...

  5. idea maven 创建webapp项目没有src目录

    archetypeCatalog=internal

  6. 使用Apache CXF和Spring集成创建Web Service(zz)

    使用Apache CXF和Spring集成创建Web Service 您的评价:       还行  收藏该经验       1.创建HelloWorld 接口类 查看源码 打印? 1 package ...

  7. 【转载】 H264的I/P/B帧类型判断

    http://blog.csdn.net/zhuweigangzwg/article/details/44152239 这里首先说明下H264的结构: 00 00 00 01/00 00 01-> ...

  8. C语言基础第四次作业

    题目7-2,九九乘法表 1.实验代码: #include<stdio.h> int main() { int N, i, j, q; scanf("%d",&N ...

  9. 斐波那契数列(NOIP1997)

    题目链接:斐波那契数列 这题是数论的一个基本应用,还是很水,因为数据范围太水了,只有48,这也太小了.不过也有可能是当时的电脑速度跑得比较慢的原因.但是这个算法应该还是这个算法.主要思路就是递推求斐波 ...

  10. 前端之javascript的数据类型1和BOM对象

    一 js对象 BOM对象:browser object model浏览器模型对象 window对象:定时器 DOM对象:文档对象模型 js对象:字符串对象,数组对象,日期对象,math对象 new关键 ...