python爬蟲系列（1）——一個簡單的爬蟲執行個體

本文主要實作一個簡單的爬蟲，目的是從一個百度貼吧頁面下載下傳圖檔。

1. 概述

本文主要實作一個簡單的爬蟲，目的是從一個百度貼吧頁面下載下傳圖檔。下載下傳圖檔的步驟如下：

1. 擷取網頁html文本内容；
2. 分析html中圖檔的html标簽特征，用正則解析出所有的圖檔url連結清單；
3. 根據圖檔的url連結清單将圖檔下載下傳到本地檔案夾中。

2. urllib+re實作

#!/usr/bin/python
# coding:utf-8
# 實作一個簡單的爬蟲，爬取百度貼吧圖檔
import urllib
import re

# 根據url擷取網頁html内容
def getHtmlContent(url):
    page = urllib.urlopen(url)
    return page.read()

# 從html中解析出所有jpg圖檔的url
# 百度貼吧html中jpg圖檔的url格式為：<img ... src="XXX.jpg" width=...>
def getJPGs(html):
    # 解析jpg圖檔url的正則
    jpgReg = re.compile(r'<img.+?src="(.+?\.jpg)" width')  # 注：這裡最後加一個'width'是為了提高比對精确度
    # 解析出jpg的url清單
    jpgs = re.findall(jpgReg,html)

    return jpgs

# 用圖檔url下載下傳圖檔并儲存成制定檔案名
def downloadJPG(imgUrl,fileName):
    urllib.urlretrieve(imgUrl,fileName)

# 批量下載下傳圖檔，預設儲存到目前目錄下
def batchDownloadJPGs(imgUrls,path = './'):
    # 用于給圖檔命名
    count = 
    for url in imgUrls:
        downloadJPG(url,''.join([path,'{0}.jpg'.format(count)]))
        count = count + 

# 封裝：從百度貼吧網頁下載下傳圖檔
def download(url):
    html = getHtmlContent(url)
    jpgs = getJPGs(html)
    batchDownloadJPGs(jpgs)

def main():
    url = 'http://tieba.baidu.com/p/2256306796'
    download(url)

if __name__ == '__main__':
    main()
           

運作上面腳本，過幾秒種之後完成下載下傳，可以在目前目錄下看到圖檔已經下載下傳好了：

3. requests + re實作

下面用requests庫實作下載下傳，把getHtmlContent和downloadJPG函數都用requests重新實作。

#!/usr/bin/python
# coding:utf-8
# 實作一個簡單的爬蟲，爬取百度貼吧圖檔
import requests
import re

# 根據url擷取網頁html内容
def getHtmlContent(url):
    page = requests.get(url)
    return page.text

# 從html中解析出所有jpg圖檔的url
# 百度貼吧html中jpg圖檔的url格式為：<img ... src="XXX.jpg" width=...>
def getJPGs(html):
    # 解析jpg圖檔url的正則
    jpgReg = re.compile(r'<img.+?src="(.+?\.jpg)" width')  # 注：這裡最後加一個'width'是為了提高比對精确度
    # 解析出jpg的url清單
    jpgs = re.findall(jpgReg,html)

    return jpgs

# 用圖檔url下載下傳圖檔并儲存成制定檔案名
def downloadJPG(imgUrl,fileName):
    # 可自動關閉請求和響應的子產品
    from contextlib import closing
    with closing(requests.get(imgUrl,stream = True)) as resp:
        with open(fileName,'wb') as f:
            for chunk in resp.iter_content():
                f.write(chunk)

# 批量下載下傳圖檔，預設儲存到目前目錄下
def batchDownloadJPGs(imgUrls,path = './'):
    # 用于給圖檔命名
    count = 
    for url in imgUrls:
        downloadJPG(url,''.join([path,'{0}.jpg'.format(count)]))
        print '下載下傳完成第{0}張圖檔'.format(count)
        count = count + 

# 封裝：從百度貼吧網頁下載下傳圖檔
def download(url):
    html = getHtmlContent(url)
    jpgs = getJPGs(html)
    batchDownloadJPGs(jpgs)

def main():
    url = 'http://tieba.baidu.com/p/2256306796'
    download(url)

if __name__ == '__main__':
    main()
           

輸出：和前面一樣。