数学建模社区-数学中国

标题: python爬虫入门教程：爬取网页图片 [打印本页]

作者: 杨利霞 时间: 2022-9-7 11:42
标题: python爬虫入门教程：爬取网页图片
python爬虫入门教程：爬取网页图片

在现在这个信息爆炸的时代，要想高效的获取数据，爬虫是非常好用的。而用python做爬虫也十分简单方便，下面通过一个简单的小爬虫程序来看一看写爬虫的基本过程：

准备工作
语言：python

IDE：pycharm

首先是要用到的库，因为是刚入门最简单的程序，我们主要就用到下面这两：

import requests //用于请求网页
import re  //正则表达式，用于解析筛选网页中的信息
其中re是python自带的，requests库需要我们自己安装，在命令行中输入pip install requests即可。

然后随便找一个网站，注意不要尝试爬取隐私敏感信息，这里找了个表情包网站：

注：此处表情包网站中的内容本来就可以免费下载，所以爬虫只是简化了我们一个个点的流程，注意不能去爬取付费资源。

我们要做的就是通过爬虫把这些表情包下载到我们电脑里。

编写爬虫程序
首先肯定要通过python访问这个网站，代码如下：

headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:98.0) Gecko/20100101 Firefox/98.0'
}
response = requests.get('https://qq.yh31.com/zjbq/',headers=headers)  //请求网页
其中之所以要加headers这一段是因为有些网页会识别到你是通过python请求的然后把你拒绝，所以我们要换个正常的请求头。可以随便找一个或者f12从网络信息里复制一个。

然后我们要找到我们要爬取的图片在网页代码里的位置，f12查看源代码，找到表情包如下：

然后建立匹配规则，用正则表达式把中间那串替换掉，最简单的就是.*?

t = '<img src="(.*?)" alt="(.*?)" width="160" height="120">'
像这样。

然后就可以调用re库里的findall方法把相关内容爬下来了：

result = re.findall(t, response.text)
返回的内容是由字符串组成的列表，最后我们经由爬到的地址通过python语句把图片下下来保存到文件夹里就行了。

程序代码
import requests
import re
import os

image = '表情包'
if not os.path.exists(image):
os.mkdir(image)
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:98.0) Gecko/20100101 Firefox/98.0'
}
response = requests.get('https://qq.yh31.com/zjbq/',headers=headers)
response.encoding = 'GBK'
response.encoding = 'utf-8'
print(response.request.headers)
print(response.status_code)
t = '<img src="(.*?)" alt="(.*?)" width="160" height="120">'
result = re.findall(t, response.text)
for img in result:
print(img)
res = requests.get(img[0])
print(res.status_code)
s = img[0].split('.')[-1]  #截取图片后缀，得到表情包格式，如jpg ，gif
with open(image + '/' + img[1] + '.' + s, mode='wb') as file:
      file.write(res.content)
最后结果就是这个样子：

————————————————
版权声明：本文为CSDN博主「plexming」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_46145027/article/details/123969044

欢迎光临数学建模社区-数学中国 (http://www.madio.net/)