python爬虫实战（一）--爬取知乎话题图片

前言

什么是网络爬虫（也叫网络蜘蛛）？简单来说，是一种用来自动浏览万维网程序或脚本（网络爬虫的典型应用就是我们所熟知的搜索引擎）。既然如此，那么我们也可以写一个程序，用来自动浏览或者获取网页上的信息。本文将介绍利用python自带库编写一个简单的爬虫程序来获取网络信息。

准备

本次爬取实例可能涉及以下知识：

python基础知识
urllib库使用
http基本知识
html/js基本知识
正则表达式

环境准备：

linux(windows基本适用)
python3
chrome浏览器

爬取目标

本次爬取的目标是知乎话题下的图片。

分析

以知乎话题你有哪些压箱底的表情包？为例。
用chrome浏览器打开该链接。鼠标右键-检查元素，在elements页移动鼠标，当鼠标移动到某元素时，页面会被选中，因此我们可以找到第一张图片的img标签，而在标签中，我们可以找到图片的url地址，复制url地址，在浏览器打开，我们就看到了需要下载的表情包了。
至此，整体思路就很简单了：访问话题页—找到img标签—获取图片url地址—下载图片。

查找链接

代码

#!/usr/bin/python3
#coding=utf-8
import urllib.request as request
import urllib.parse as parse
import string
import sys
import re
import os
import urllib.error as error

'''
获取url中的图片
url：链接地址
dirpath：保存路径
'''
def getUrlImage(url,dirpath):

    dldNum=0
    #存储目录不存在时，创建目录
    if not os.path.isdir(dirpath):
        os.makedirs(dirpath)
    
    data = request.urlopen(url).read()
    page_data = data.decode('gbk','ignore')
    #获取img标签数据
    page_image = re.compile('<img src=\"(.+?)\"')
    #循环获取img标签中的图片

    for image in page_image.findall(page_data):
        #匹配数据中的图片
        pattern = re.compile(r'^https://.*.(jpg|png|gif|jpeg)$')
        if  pattern.match(image):
            print (image)
            try:
                extension =  GetFileNameAndExt(image)
                #读取图片内容
                image_data = request.urlopen(image).read()
                image_path = dirpath+'/'+str(dldNum)+extension
                dldNum += 1
                print(image_path)
                #保存图片
                with open(image_path, 'wb') as image_file:
                    image_file.write(image_data)
                    image_file.close()
            except error.URLError as e:
                print('Download failed')
'''
获取文件名中的扩展名
'''
def GetFileNameAndExt(filename):
    (filepath,tempfilename) = os.path.split(filename);
    (shotname,extension) = os.path.splitext(tempfilename);
    return extension
'''
入口函数
带两个参数
参数1:话题链接地址
参数2:图片保存路径
'''
if __name__ == "__main__":
    if(len(sys.argv) < 2):
        print("usage:./download_spider.py url  savePath")
    else:
        print("the url is "+str(sys.argv[1]))
        print("the save path is "+str(sys.argv[2]))
        url = sys.argv[1]
        savePath = sys.argv[2]
        getUrlImage(url,savePath)

运行

有两个参数，第一个参数是url，即话题的链接，第二个参数是所要保存图片的路径。
在linux下运行

1	./getZhiHuImage.py https://www.zhihu.com/question/48132860 ./test

将会在目的目录下发现下载好的图片。

下载结果
下载结果2

最后说两句

本文仅简单利用了python自带urllib库完成了话题图片的获取工作，但更多时候，爬取网络资源要更困难得的多，要获取的内容也不像本文例子中那么明显易得到，比如可能需要模拟登录，验证码识别，伪装成浏览器，去重等等，这里不再展开。但是Python中自带urllib及urllib2库，基本上能满足一般的页面抓取了。

表情包地址:链接: https://pan.baidu.com/s/1Xp-QT5eAn_2TqGeJ3UxuiA 密码: 3y9k