视频1 视频21 视频41 视频61 视频文章1 视频文章21 视频文章41 视频文章61 推荐1 推荐3 推荐5 推荐7 推荐9 推荐11 推荐13 推荐15 推荐17 推荐19 推荐21 推荐23 推荐25 推荐27 推荐29 推荐31 推荐33 推荐35 推荐37 推荐39 推荐41 推荐43 推荐45 推荐47 推荐49 关键词1 关键词101 关键词201 关键词301 关键词401 关键词501 关键词601 关键词701 关键词801 关键词901 关键词1001 关键词1101 关键词1201 关键词1301 关键词1401 关键词1501 关键词1601 关键词1701 关键词1801 关键词1901 视频扩展1 视频扩展6 视频扩展11 视频扩展16 文章1 文章201 文章401 文章601 文章801 文章1001 资讯1 资讯501 资讯1001 资讯1501 标签1 标签501 标签1001 关键词1 关键词501 关键词1001 关键词1501 专题2001
使用Python3编写抓取网页和只抓网页图片的脚本
2020-11-27 14:34:46 责编:小采
文档


最基本的抓取网页内容的代码实现:

#!/usr/bin/env python 
 
from urllib import urlretrieve 
 
def firstNonBlank(lines): 
 for eachLine in lines: 
 if not eachLine.strip(): 
 continue 
 else: 
 return eachLine 
 
def firstLast(webpage): 
 f = open(webpage) 
 lines = f.readlines() 
 f.close() 
 print firstNonBlank(lines), 
 lines.reverse() 
 print firstNonBlank(lines), 
 
def download(url='http://www',process=firstLast): 
 try: 
 retval = urlretrieve(url)[0] 
 except IOError: 
 retval = None 
 if retval: 
 process(retval) 
 
if __name__ == '__main__': 
 download() 

利用urllib模块,来实现一个网页中针对图片的抓取功能:

import urllib.request 
import socket 
import re 
import sys 
import os 
targetDir = r"C:UserselqstuxDesktoppic" 
def destFile(path): 
 if not os.path.isdir(targetDir): 
 os.mkdir(targetDir) 
 pos = path.rindex('/') 
 t = os.path.join(targetDir, path[pos+1:]) 
 return t 
 
if __name__ == "__main__": 
 hostname = "http://www.douban.com" 
 req = urllib.request.Request(hostname) 
 webpage = urllib.request.urlopen(req) 
 contentBytes = webpage.read() 
 for link, t in set(re.findall(r'(http:[^s]*?(jpg|png|gif))', str(contentBytes))): 
 print(link) 
 urllib.request.urlretrieve(link, destFile(link)) 

import urllib.request 
import socket 
import re 
import sys 
import os 
targetDir = r"H:pic" 
def destFile(path): 
 if not os.path.isdir(targetDir): 
 os.mkdir(targetDir) 
 pos = path.rindex('/') 
 t = os.path.join(targetDir, path[pos+1:]) #会以/作为分隔 
 return t 
 
if __name__ == "__main__": 
 hostname = "http://www.douban.com/" 
 req = urllib.request.Request(hostname) 
 webpage = urllib.request.urlopen(req) 
 contentBytes = webpage.read() 
 match = re.findall(r'(http:[^s]*?(jpg|png|gif))', str(contentBytes) )#r'(http:[^s]*?(jpg|png|gif))'中包含两层圆括号,故有两个分组, 
 #上面会返回列表,括号中匹配的内容才会出现在列表中 
 for picname, picType in match: 
 print(picname) 
 print(picType) 
 
 
''''' 
输出: http://img3.douban.com/pics/blank.gif gif http://img3.douban.com/icon/g111328-1.jpg jpg http://img3.douban.com/pics/blank.gif gif http://img3.douban.com/icon/g197523-19.jpg jpg http://img3.douban.com/pics/blank.gif gif ... '''

下载本文
显示全文
专题