Python爬虫抓取指定网页图片代码实例

た入场券 2022-12-21 11:58 167阅读 0赞

更多编程教程请到：[菜鸟教程][Link 1] https://www.piaodoo.com/

友情链接：[好看站][Link 2] http://www.nrso.net/

[高州阳光论坛][Link 3]https://www.hnthzk.com/

想要爬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，抓取该网站的源代码（如果使用google浏览器就是按下鼠标右键 -> Inspect-> Elements 中的 html 内容）

（2）根据你要抓取的内容设置正则表达式以匹配要抓取的内容

（3）设置循环列表，重复抓取和保存内容

以下介绍了两种方法实现抓取指定网页中图片

**（1）方法一：使用正则表达式过滤抓到的 html 内容字符串**

# 第一个简单的爬取图片的程序
    import urllib.request # python自带的爬操作url的库
    import re # 正则表达式

# 该方法传入url,返回url的html的源代码 #

def getHtmlCode(url):

# 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 #

headers = \{  
‘User-Agent’: ‘Mozilla/5.0(Linux; Android 6.0; Nexus 5 Build/MRA58N)  
AppleWebKit/537.36(KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36’  
\}

# 将headers头部添加到url，模拟浏览器访问 #

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

# 将url页面的源代码保存成字符串 #

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

# 字符串转码 #

page = page.decode(‘UTF-8’)  
return page

# 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 #

def getImage(page):

# \[^\\s\]\*? 表示最小匹配， 两个括号表示列表中有两个元组 #

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

imageList = re.findall(r’(https:\[^\\s\]\*?(jpg|png|gif))"’, page)  
x = 0

# 循环列表 #

for imageUrl in imageList:  
try:  
print(‘正在下载: %s’ % imageUrl\[0\])  
\# 这个image文件夹需要先创建好才能看到结果  
image\_save\_path = ‘./image/%d.png’ % x  
\# 下载图片并且保存到指定文件夹中  
urllib.request.urlretrieve(imageUrl\[0\], image\_save\_path)  
x = x + 1  
except:  
continue  
pass  
if **name** == ‘**main**’:

# 指定要爬取的网站 #

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

# 得到该网站的源代码 #

page = getHtmlCode(url)

# 爬取该网站的图片并且保存 #

getImage(page)

# print(page) #

注意，代码中需要修改的就是imageList = re.findall(r'(https:\[^\\s\]\*?(jpg|png|gif))"', page) 这一块内容，如何设计正则表达式需要根据你想要抓取的内容设置。我的设计来源如下：

![Image 1][]

可以看到，因为这个网页上的图片都是 png 格式，所以写成imageList = re.findall(r'(https:\[^\\s\]\*?(png))"', page)也是可以的。

**（2）方法二：使用 BeautifulSoup 库解析 html 网页**

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
    import urllib # python自带的爬操作url的库

# 该方法传入url,返回url的html的源代码 #

def getHtmlCode(url):

# 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 #

headers = \{  
‘User-Agent’: ‘Mozilla/5.0(Linux; Android 6.0; Nexus 5 Build/MRA58N)  
AppleWebKit/537.36(KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36’  
\}

# 将headers头部添加到url，模拟浏览器访问 #

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

# 将url页面的源代码保存成字符串 #

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

# 字符串转码 #

page = page.decode(‘UTF-8’)  
return page

# 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 #

def getImage(page):

# 按照html格式解析页面 #

soup = BeautifulSoup(page, ‘html.parser’)

# 格式化输出DOM树的内容 #

print(soup.prettify())

# 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<img src="…" alt="…" /> #

imgList = soup.find\_all(‘img’)  
x = 0

# 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 #

for imgUrl in imgList\[1:\]:  
print(‘正在下载： %s ’ % imgUrl.get(‘src’))  
\# 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’  
image\_url = imgUrl.get(‘src’)  
\# 这个image文件夹需要先创建好才能看到结果  
image\_save\_path = ‘./image/%d.png’ % x  
\# 下载图片并且保存到指定文件夹中  
urllib.request.urlretrieve(image\_url, image\_save\_path)  
x = x + 1  
if **name** == ‘**main**’:

# 指定要爬取的网站 #

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

# 得到该网站的源代码 #

page = getHtmlCode(url)

# 爬取该网站的图片并且保存 #

getImage(page)

这两种方法各有利弊，我觉得可以灵活结合使用这两种方法，比如先使用方法2中指定标签的方法缩小要寻找的内容范围，然后再使用正则表达式匹配想要的内容，这样做起来更加简洁明了。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持菜鸟教程www.piaodoo.com。

[Link 1]: https://www.piaodoo.com/
[Link 2]: http://www.nrso.net/
[Link 3]: https://www.hnthzk.com/
[Image 1]: