如何编写Python代码抓取特定网页中的图片实例？
- 内容介绍
- 文章标签
- 相关推荐
本文共计712个文字，预计阅读时间需要3分钟。
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（例如使用Google浏览器按下鼠标右键选择检查->元素中的内容）。
2.分析源代码，找到图片的链接。
3.下载图片。
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'(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'(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 = '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易盾网络。
本文共计712个文字，预计阅读时间需要3分钟。
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（例如使用Google浏览器按下鼠标右键选择检查->元素中的内容）。
2.分析源代码，找到图片的链接。
3.下载图片。
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'(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'(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 = '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易盾网络。