我说我是通过爬虫入门Python的！你信吗？爬虫简直太好玩了！

前言

什么是网络爬虫（也叫网络蜘蛛）？简单来说，是一种用来自动浏览万维网程序或脚本（网络爬虫的典型应用就是我们所熟知的搜索引擎）。既然如此，那么我们也可以写一个程序，用来自动浏览或者获取网页上的信息。本文将介绍利用python自带库编写一个简单的爬虫程序来获取网络信息。

进群：548377875  即可获取数十套PDF书籍哦！限前五十套呢！

准备

本次爬取实例可能涉及以下知识：

• python基础知识
• urllib库使用
• http基本知识
• html/js基本知识
• 正则表达式

环境准备：

• linux(windows基本适用)
• python3
• chrome浏览器

爬取目标

本次爬取的目标是知乎话题下的图片。

分析

以知乎话题你有哪些压箱底的表情包？为例

(链接地址:https://www.zhihu.com/question/48132860):

用chrome浏览器打开该链接。鼠标右键-检查元素，在elements页移动鼠标，当鼠标移动到某元素时，页面会被选中，因此我们可以找到第一张图片的img标签，而在标签中，我们可以找到图片的URL地址，复制URL地址，在浏览器打开，我们就看到了需要下载的表情包了。

至此，整体思路就很简单了：访问话题页--找到img标签--获取图片URL地址--下载图片。

查找链接

代码

#!/usr/bin/python3
#coding=utf-8
import urllib.request as request
import urllib.parse as parse
import string
import sys
import re
import os
import urllib.error as error
'''
获取url中的图片
url：链接地址
dirpath：保存路径
'''
def getUrlImage(url,dirpath):
 dldNum=0
 #存储目录不存在时，创建目录
 if not os.path.isdir(dirpath):
 os.makedirs(dirpath)
 data = request.urlopen(url).read()
 page_data = data.decode('gbk','ignore')
 #获取img标签数据
 page_image = re.compile('获取img标签中的图片
 for image in page_image.findall(page_data):
 #匹配数据中的图片
 pattern = re.compile(r'^https://.*.(jpg|png|gif|jpeg)$')
 if pattern.match(image):
 print (image)
 try:
 extension = GetFileNameAndExt(image)
 #读取图片内容
 image_data = request.urlopen(image).read()
 image_path = dirpath+'/'+str(dldNum)+extension
 dldNum += 1
 print(image_path)
 #保存图片
 with open(image_path,'wb') as image_file:
 image_file.write(image_data)
 image_file.close()
 except error.URLError as e:
 print('Download Failed')
'''
获取文件名中的扩展名
'''
def GetFileNameAndExt(filename):
 (filepath,tempfilename) = os.path.split(filename);
 (shotname,extension) = os.path.splitext(tempfilename);
 return extension
'''
入口函数
带两个参数
参数1:话题链接地址
参数2:图片保存路径
'''
if __name__ == "__main__":
 if(len(sys.argv) < 2):
 print("usage:./download_spider.py url savePath")
 else:
 print("the url is "+str(sys.argv[1]))
 print("the save path is "+str(sys.argv[2]))
 url = sys.argv[1]
 savePath = sys.argv[2]
 getUrlImage(url,savePath)

运行

有两个参数，第一个参数是url，即话题的链接，第二个参数是所要保存图片的路径。

在linux下运行,可以看到正在不断保存话题图片

./getZhiHuImage.py https://www.zhihu.com/question/48132860 ./test

程序执行完成后可以在目的目录下发现下载好的图片，接下来就可以开心地去斗图啦。

下载结果

下载结果2

最后说两句

本文仅简单利用了python自带urllib库完成了话题图片的获取工作，但更多时候，爬取网络资源要更困难得的多，要获取的内容也不像本文例子中那么明显易得到，比如可能需要模拟登录，验证码识别，伪装成浏览器，去重等等，这里不再展开。但是Python中自带urllib及urllib2 库，基本上能满足一般的页面抓取了。