微信扫一扫 分享朋友圈

已有 166 人浏览分享

开启左侧

如何用python爬取网页图片

[复制链接]
166 0
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
image.png
image.png
兄弟们 这个代码开有没有知道咋添加的 我没添加上 直接给大家图片和代码了 一下是图片上的代码 方便大家复制粘贴
# 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 = {undefined
     '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 你们可以参考一下
image.png
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
image.png
image.png
# 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)


免责声明:
1,海欣资源网所发布的资源由网友上传和分享,不保证信息的正确性和完整性,且不对因信息的不正确或遗漏导致的任何损失或损害承担责任。
2,海欣资源网的资源来源于网友分享,仅限用于学习交流和测试研究目的,不得将上述内容用于商业或者非法用途,否则,一切后果请用户自负。
3,海欣资源网所发布的资源由网友上传和分享,版权争议与本站无关,您必须在下载后的24个小时之内,从您的电脑中彻底删除上述内容。
4,如果您喜欢,请支持正版,购买正版,得到更好的正版服务,如有侵权,请联系我们删除并予以真诚的道歉,联系方式邮箱 haixinst@qq.com
海欣资源-企业信息化分享平台。
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

0

关注

0

粉丝

66

主题
热度排行
回复排行
最新贴子

Archiver|手机版|小黑屋|海欣资源 ( 湘ICP备2021008090号-1 )|网站地图

GMT+8, 2022-9-25 17:18 , Gzip On, MemCache On.

免责声明:本站所发布的资源和文章均来自网络,仅限用于学习交流和测试研究目的,不得将上述内容用于商业或者非法用途,否则,一切后果请用户自负。 本站信息来自网络,版权争议与本站无关,您必须在下载后的24个小时之内,从您的电脑中彻底删除上述内容。 如果您喜欢,请支持正版,购买正版,得到更好的正版服务,如有侵权,请联系我们删除并予以真诚的道歉。