python如何实现简单的爬虫功能?Python学习教程!

　　爬虫对于大家都不陌生，被广泛的应用于我们的日常生活以及工作中，那么你知道如何利用Python实现爬虫的简单功能吗?这里为大家列举一个简单的示例。

　　在我们日常上网浏览网页的时候，经常会看到一些好看的图片，我们就希望把这些图片保存下载，或者用户用来做桌面壁纸，或者用来做设计的素材。

　　我们最常规的做法就是通过鼠标右键，选择另存为。但有些图片鼠标右键的时候并没有另存为选项，还有办法就通过就是通过截图工具截取下来，但这样就降低图片的清晰度。

　　我们可以通过python 来实现这样一个简单的爬虫功能，把我们想要的代码爬取到本地。下面就看看如何使用python来实现这样一个功能。

　　一，获取整个页面数据

　　首先我们可以先获取要下载图片的整个页面信息。

　　getjpg.py

　　#coding=utf-8

　　import urllib

　　def getHtml(url):

　　page = urllib.urlopen(url)

　　html = page.read()

　　return html

　　html = getHtml("")

　　print html

　　Urllib 模块提供了读取web页面数据的接口，我们可以像读取本地文件一样读取www和ftp上的数据。首先，我们定义了一个getHtml()函数:

　　urllib.urlopen()方法用于打开一个URL地址。

　　read()方法用于读取URL上的数据，向getHtml()函数传递一个网址，并把整个页面下载下来。执行程序就会把整个网页打印输出。

　　二，筛选页面中想要的数据

　　Python 提供了非常强大的正则表达式，我们需要先要了解一点python 正则表达式的知识才行。

　　假如我们百度贴吧找到了几张漂亮的壁纸，通过到前段查看工具。找到了图片的地址，如:src=””pic_ext=”jpeg”

　　修改代码如下：

　　import re

　　import urllib

　　def getHtml(url):

　　page = urllib.urlopen(url)

　　html = page.read()

　　return html

　　def getImg(html):

　　reg = r'src="(.+?\.jpg)" pic_ext'

　　imgre = re.compile(reg)

　　imglist = re.findall(imgre,html)

　　return imglist

　　html = getHtml("")

　　print getImg(html)

　　我们又创建了getImg()函数，用于在获取的整个页面中筛选需要的图片连接。re模块主要包含了正则表达式：

　　re.compile() 可以把正则表达式编译成一个正则表达式对象.

　　re.findall() 方法读取html 中包含 imgre(正则表达式)的数据。

　　运行脚本将得到整个页面中包含图片的URL地址。

　　三，将页面筛选的数据保存到本地

　　把筛选的图片地址通过for循环遍历并保存到本地，代码如下：

　　#coding=utf-8

　　import urllib

　　import re

　　def getHtml(url):

　　page = urllib.urlopen(url)

　　html = page.read()

　　return html

　　def getImg(html):

　　reg = r'src="(.+?\.jpg)" pic_ext'

　　imgre = re.compile(reg)

　　imglist = re.findall(imgre,html)

　　x = 0

　　for imgurl in imglist:

　　urllib.urlretrieve(imgurl,'%s.jpg' % x)

　　x+=1

　　html = getHtml("")

　　print getImg(html)

　　这里的核心是用到了urllib.urlretrieve()方法，直接将远程数据下载到本地。

　　通过一个for循环对获取的图片连接进行遍历，为了使图片的文件名看上去更规范，对其进行重命名，命名规则通过x变量加1。保存的位置默认为程序的存放目录。

　　程序运行完成，将在目录下看到下载到本地的文件。