来上海培训班学习Python，爬虫技术学习很重要

 　　爬虫每天都在网上爬大量的信息，各大搜索引擎厂商每天都有上百万的爬虫在网络上活动，这些爬虫的作用就是给搜索引擎采集互联网上的内容，采集来的内容经过分类、加工之后，进入搜索引擎的索引。Python爬虫也是，只不过它用的工具是Python语言。

　　那么如何写Python爬虫?方法如下：

　　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

　　复制代码

　　#coding=utf-8

　　import urllib

　　def getHtml(url):

　　page = urllib.urlopen(url)

　　html = page.read()

　　return html

　　html = getHtml("http://xxx/xxx.jpg")

　　print html

　　复制代码

　　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=”http://xxx/forum......jpg”pic_ext=”jpeg”

　　修改代码如下：

　　import reimport urllibdef getHtml(url): page = urllib.urlopen(url) html = page.read() return htmldef getImg(html): reg = r'src="(.+?\.jpg)" pic_ext' imgre = re.compile(reg) imglist = re.findall(imgre,html) return imglist html = getHtml("http://xxx/p/2460150866")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-8import urllibimport redef getHtml(url): page = urllib.urlopen(url) html = page.read() return htmldef 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+=1html = getHtml("xxx/p/2460150866")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。

　　千锋上海Python开发培训以实战项目做指导，手把手纯面授，面对面现场学科。同时论坛辅导，上课资料录制，方便学生课后复习。教研+讲师+项目实战+随堂笔记录制，学科，确保学习质量。

　　具有前沿设计理念的工作经验和学科经验兼备的Python爬虫培训讲师，及时给同学灌输企业当前需求和行业流行趋势，保持学员思路的创新性和时代性!

上一篇：Python学习如何速成？来千锋上海零基础培训班快速提升
下一篇：上海php培训班选哪家？成为中高端开发者来千锋