（1）指定网站链接，抓取该网站的源代码（如果使用google浏览器就是按下鼠标右键 -> Inspect-> Elements 中的 html 内容）
（2）根据你要抓取的内容设置正则表达式以匹配要抓取的内容
（3）设置循环列表，重复抓取和保存内容
以下介绍了两种方法实现抓取指定网页中图片
（1）方法一：使用正则表达式过滤抓到的 html 内容字符串
# 第一个简单的爬取图片的程序 import urllib.request # python自带的爬操作url的库 import re # 正则表达式 # 该方法传入url,返回url的html的源代码 def getHtmlCode(url): # 以下几行注释的代码在本程序中有加没加效果一样,但是为了隐藏自己避免被反爬虫可以假如这个伪装的头部请求 headers = { \'User-Agent\': \'Mozilla/5.0(Linux; Android 6.0; Nexus 5 Build/MRA58N) \\ AppleWebKit/537.36(KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36\' } # 将headers头部添加到url，模拟浏览器访问 url = urllib.request.Request(url, headers=headers) # 将url页面的源代码保存成字符串 page = urllib.request.urlopen(url).read() # 字符串转码 page = page.decode(\'UTF-8\') return page # 该方法传入html的源代码，通过截取其中的img标签，将图片保存到本机 def getImage(page): # [^\\s]*? 表示最小匹配， 两个括号表示列表中有两个元组 # imageList = re.findall(r\'(https:[^\\s]*?(png))\"\', page) imageList = re.findall(r\'(https:[^\\s]*?(jpg|png|gif))\"\', page) x = 0 # 循环列表 for imageUrl in imageList: try: print(\'正在下载: %s\' % imageUrl[0]) # 这个image文件夹需要先创建好才能看到结果 image_save_path = \'./image/%d.png\' % x # 下载图片并且保存到指定文件夹中 urllib.request.urlretrieve(imageUrl[0], image_save_path) x = x + 1 except: continue pass if __name__ == \'__main__\': # 指定要爬取的网站 url = \"https://www.cnblogs.com/ttweixiao-IT-program/p/13324826.html\" # 得到该网站的源代码 page = getHtmlCode(url) # 爬取该网站的图片并且保存 getImage(page) # print(page)
注意，代码中需要修改的就是imageList = re.findall(r\'(https:[^\\s]*?(jpg|png|gif))\”\’, page) 这一块内容，如何设计正则表达式需要根据你想要抓取的内容设置。我的设计来源如下：
可以看到，因为这个网页上的图片都是 png 格式，所以写成imageList = re.findall(r\'(https:[^\\s]*?(png))\”\’, page)也是可以的。
（2）方法二：使用 BeautifulSoup 库解析 html 网页
from bs4 import BeautifulSoup # BeautifulSoup是python处理HTML/XML的函数库，是Python内置的网页分析工具 import urllib # python自带的爬操作url的库 # 该方法传入url,返回url的html的源代码 def getHtmlCode(url): # 以下几行注释的代码在本程序中有加没加效果一样,但是为了隐藏自己避免被反爬虫可以假如这个伪装的头部请求 headers = { \'User-Agent\': \'Mozilla/5.0(Linux; Android 6.0; Nexus 5 Build/MRA58N) \\ AppleWebKit/537.36(KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36\' } # 将headers头部添加到url，模拟浏览器访问 url = urllib.request.Request(url, headers=headers) # 将url页面的源代码保存成字符串 page = urllib.request.urlopen(url).read() # 字符串转码 page = page.decode(\'UTF-8\') return page # 该方法传入html的源代码，通过截取其中的img标签，将图片保存到本机 def getImage(page): # 按照html格式解析页面 soup = BeautifulSoup(page, \'html.parser\') # 格式化输出DOM树的内容 print(soup.prettify()) # 返回所有包含img标签的列表，因为在Html文件中图片的插入呈现形式是<img src=\"...\" alt=\"..\" /> imgList = soup.find_all(\'img\') x = 0 # 循环找到的图片列表，注意，这里手动设置从第2张图片开始，是因为我debug看到了第一张图片不是我想要的图片 for imgUrl in imgList[1:]: print(\'正在下载： %s \' % imgUrl.get(\'src\')) # 得到scr的内容，这里返回的就是Url字符串链接，如\'https://img2020.cnblogs.com/blog/1703588/202007/1703588-20200716203143042-623499171.png\' image_url = imgUrl.get(\'src\') # 这个image文件夹需要先创建好才能看到结果 image_save_path = \'./image/%d.png\' % x # 下载图片并且保存到指定文件夹中 urllib.request.urlretrieve(image_url, image_save_path) x = x + 1 if __name__ == \'__main__\': # 指定要爬取的网站 url = \'https://www.cnblogs.com/ttweixiao-IT-program/p/13324826.html\' # 得到该网站的源代码 page = getHtmlCode(url) # 爬取该网站的图片并且保存 getImage(page)
这两种方法各有利弊，我觉得可以灵活结合使用这两种方法，比如先使用方法2中指定标签的方法缩小要寻找的内容范围，然后再使用正则表达式匹配想要的内容，这样做起来更加简洁明了。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持自学编程网。
