记录第一次纯手打爬虫经历

这两天看了看Python的一些语法，发现Python还真的是给力呢。先不说它强大的类库，面向对象或者其他的好处，单单是爬图这一块，就已经深深的吸引到了我，于是在我的摸索之下，人生中的第一次爬虫出现了。之所以写这篇文章，是因为想以此来纪念一下。等今后技术上进步了，回过头来看看自己走过的点点滴滴，出现的这诸多的问题，想必也是一种不错的体验吧。

好了，废话不多说。

目标网址

我的思路

思路上来说，很普通。

• 先利用urllib把对应的网页给抓下来
• 然后对网页进行解析，这里使用了re模块来进行正则表达式的匹配，我们需要的就是img标签而已
• 再次的使用urllib将图片对应的那个url给download下来
• 最后写入一张张图片
• 至此，完结

细节上的实现

首先是一个下载网页的过程，这里我将其封装到了一个函数中

def getHtml(url):
    reload(sys)
    return urllib.urlopen(url).read()

然后是写入一个图片文件的过程，依然封装起来，如下：

def writeToFile(path,name,data):
    file = open(path+name,'wb')
    file.write(data)
    file.close()
    print name+" has been Writed Succeed!"

最为关键的就是使用正则表达式来匹配我需要的东西–图片，正则表达式的话，我们可以这么干，这里仅仅是针对于这篇。我们可以使用开发者工具看到如下：

正则表达式为r'src=(.+?\.jpg)'
下面我来详细的说明一下各个参数的含义：

• r’ : 即可以忽略转义的影响，如果不写这个的话，我们需要对右斜线进行转义”\\”
• src=”” : 这里就是一个匹配格式，就是包含有src=”“开头的数据
• （） : 匹配完成后返回的将是一个list，方便我们进行数据的提取
• .+?.jpg : 就是匹配任意多个以.jpg结尾的数据，这里就是我们的图片了

好了，该做的都做好了，下面让我们看一看完整的代码吧

完整的代码

# coding:UTF-8

import urllib
import sys

import re
import os

def getHtml(url):
    reload(sys)
    return urllib.urlopen(url).read()

def writeToFile(path,name,data):
    file = open(path+name,'wb')
    file.write(data)
    file.close()
    print name+" has been Writed Succeed!"

#url = "http://www.10danteng.com/index/pages/id/11036/"
url = 'http://www.u148.net/article/55557.html'
page = getHtml(url)
reg =re.compile(str( r'src="(.+?\.jpg)"'))
images_url = re.findall(reg,page)

# 测试一下网址是否可达
#print images_url

# 测试一下网页是否正确的下载到了内容
#print content

name = 'me'
path = "F:\\pachong\\"
#writeToFile(path,str(name)+".jpg",content)
for i, item in enumerate(images_url):
    everypicture =  getHtml(item)
    writeToFile(path,str(i)+".jpg",everypicture)

最后看一下，爬到了什么

总结

代码还是很凌乱的，我应该把那个正则匹配的也封装起来的。这样方便代码的维护和减少重复代码。

通过这次的小案例，我学会了一些简单模块的使用，同时也对于Python有了一点入门的感觉了。Python就是一个人思想的代表。只要逻辑对了，顺着思路一步步的往下走。就一定可以成功完成的。另外，那就是遇到错误，不要放弃。要从错误中寻找解决的方法。

如果，你认为代码中有什么不正确的地方，或者想和本人探讨一下关于爬虫方面的问题，欢迎留言哦。