python爬虫入门教程：爬取网页图片

杨利霞

python爬虫入门教程：爬取网页图片
& G' m- H# }6 n6 F; @0 ]0 O! v
, N; C' p4 H) m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：

& B* M6 t( z6 w: k准备工作
语言：python
: I( ]' A' q. V9 e
IDE：pycharm
! w# K1 W6 h0 o9 a
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：
8 b9 w6 `, q2 {1 ]/ ?
import requests //用于请求网页
$ ?, `* W  c4 [6 @1 h6 I* ^import re  //正则表达式，用于解析筛选网页中的信息
# u7 u5 R. r3 V& r5 ~% P# Q' s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。
# u0 j1 \0 l0 h$ G$ x& ?' e
# l& J% `" i: g, K, @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：
9 n$ p  M3 j2 j, t5 \0 B
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。

0 f# H5 L: T6 H0 H5 l: l( B
; B: ^7 K5 P) ~( l
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。
* e5 S) W- e- S$ M( f
& F, c5 n- J& ]8 S' e3 g, f9 M编写爬虫程序
. v9 z! S: }3 Y1 a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
3 s/ P5 [) e+ S0 g) U( E% x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。
" L5 O, ?1 y- d' m
2 ?0 ]; h) w% Q: a* L
$ f/ |6 @, r6 t
2 H% k1 N4 e1 r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：

  z: F4 G+ l& c- t- q
: D6 C, u( w% F. w6 t# V) U  x0 u
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.*?

) u# q5 j0 I: o- \0 Ot = '<img src="(.*?)" alt="(.*?)" width="160" height="120">'
像这样。
! B5 Y9 L% }0 H1 z( a3 P
然后就可以调用re库里的findall方法把相关内容爬下来了：
! L% f, L+ S1 y2 s  \; e
( T7 J" i6 n& A$ k  bresult = 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。
2 `' D% y( Y% |6 q; }7 x
5 g6 \6 Q- a" L# d程序代码
import requests
import re
. P3 X. B) ~' C) ?& jimport os

; {% R' `, `1 c' J3 J: [& k# Nimage = '表情包'
4 u4 ^# M- L2 B( h; Mif not os.path.exists(image):
    os.mkdir(image)
headers = {
7 Y- f/ O, z7 P/ q1 ?    '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)
4 d$ z4 T% [' X5 D6 W# i5 qresponse.encoding = 'GBK'
) _; F2 S) ?3 Q8 p; \: mresponse.encoding = 'utf-8'
8 S( t4 K8 X7 |6 V4 J7 d" Dprint(response.request.headers)
3 d2 \- x3 _- q2 c6 p5 [/ o/ z4 Qprint(response.status_code)
t = '<img src="(.*?)" alt="(.*?)" width="160" height="120">'
result = re.findall(t, response.text)
for img in result:
    print(img)
% [5 C: `. J0 j; d: p    res = requests.get(img[0])
3 o' T- y1 N8 y; Z6 o$ w; b3 J    print(res.status_code)
# Q* ~0 m- W* d9 c5 v9 [    s = img[0].split('.')[-1]  #截取图片后缀，得到表情包格式，如jpg ，gif
4 j' n' |- w- k* D    with open(image + '/' + img[1] + '.' + s, mode='wb') as file:
        file.write(res.content)
最后结果就是这个样子：


5 R4 B! M0 n1 c4 U' G5 ^8 t0 H$ C————————————————
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
6 @- y5 f1 O% h  o
2 b. ?) U/ g. c