用python写一个简单的爬虫功能

我先假设你用的是Mac,然后Mac都预装了python2.x,然后呢,你有了python没用,你得有库.没库怎么干活?怎么安装库呢?

python界也有个类似于我们iOS开发里

cocoapods

的东西,这个东西叫做

pip

.

pip

和

cocoapods

用起来的命令都极其类似,我们只需要两个库,一个叫做

urllib2

,一个叫做

Beautifulsoup

.

urllib2

是干什么的呢?它的作用就是把网页down下来,然后你就可以分析网页了.

Beautifulsoup

干什么的呢?你用

urllib2

把网页down下来了之后,里面都是

html+css

什么的,你想要从乱七八糟的一堆html里面找到正确的图片链接那可不是件简单的事,据我这几天的学习,做法无非

两个

,

一个

是自己写正则表达式然后用一个叫

re

的python库,

另一个

是使用

lxml

解析

xpath

.这两个说实话都不太好用,一个正则就够你吃一壶的.后来我搜索了很久,发现了一个库叫做

Beautifulsoup

,用这个库解析

html

超级好用.

首先配置python环境，安装

pip

:

curl -O http://python-distribute.org/distribute_setup.py udo python distribute_setup.py 回车然后输入密码
sudo easy_install pip

1
2
3
1
2
3

然后你们打开terminal敲入下面这个命令.

pip install BeautifulSoup

1
1

然后就会自动帮你安装

BeautifulSoup

这个东西了.

urllib2

因为是自带的,所以不用你下载了.

好的我们随意打开网页

http://www.pcpop.com/doc/1/1279/1279531.shtml

,直接右键打开源文件.

你看到的是这些东西.

图片链接就在li这个标签下地img标签里.现在我们需要做的就是尝试着把这种类型的li从所有html中分离出来.我们可以看到li这个标签有个属性叫做class,这个属性的值是class=”span3”,我们把这段话li class=”span3”

搜索一下,我们发现有20个结果.恰巧,我们这个页面的图片也只有20个,那么可以确定的是我们找到了区别于其他标签的唯一性.

再仔细分析下,img这个标签在li这个标签里有且只有一个.那么,也就是说,我们先搜索出所有符合条件的li标签,然后找到里面的img标签就可以找到所有的图片链接了.

然后看代码.

#!/usr/bin/python
#-*- coding: utf-8 -*-
#encoding=utf-8
import urllib2
import urllib
import os
from BeautifulSoup import BeautifulSoup
def getAllImageLink():

html = urllib2.urlopen('http://www.pcpop.com/doc/1/1279/1279531.shtml').read()
soup = BeautifulSoup(html)
liResult = soup.findAll('img',attrs={"width":"175"})
#print liResult 方便调试

count = 0;
for image in liResult:
count += 1
link = image.get('src')
imageName = count
filesavepath = '/Users/justinjing/Desktop/testpython/%s.jpg' % imageName
urllib.urlretrieve(link,filesavepath)
print filesavepath
if __name__ == '__main__':
getAllImageLink()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

我们来一句一句分析下.其实python的语法超级简单.

凡是

#

打头的就是python里面的注释语句类似于oc里的

//

.

分别说明我们的环境是python,编码是

utf-8

然后

import

了四个库,分别是

urllib2

,

urllib

,

os

,和

Beautifulsoup

库.

导入

Beautifulsoup

库的方式和其他三个不太一样.我暂时也不清楚为什么python用这种导入方式,不过照猫画虎就行了.

然后

def

打头的就是定义一个函数,python里面是

不用分号做句与句的分隔符的

.他用缩进来表示.与

def

缩进一个

tab

的都是函数体.

html = urllib2.urlopen('http://www.pcpop.com/doc/1/1279/1279531.shtml').read()

1
1

这句很简单,就是读取网页的html.然后把值赋给html这个变量.python里声明变量前面不用加任何东西,不用加声明语句和变量类型,就连

JavaScript

声明变量还要加个

var

呢.

我们获取了网页的html之后呢,声明了一个

Beautifulsoup

变量

soup

,用来准备解析html.

liResult = soup.findAll('img',attrs={"width":"175"})

1
1

这句话的意思就是,寻找html中所有

img

标签,并且这个

img

标签有个属性

width

,

width

的值是

175

.

注意这个

findAll

函数,有点常识的话你应该清楚,凡是带all的函数基本上返回的都是一个数组,所以我们

liResult

这个变量实际上是一个数组.

for image in liResult:

1
1

这句话基本和oc里的遍历数组语法完全一样.就是遍历liResult里的每一个变量.那么每一个变量就是一个标签.

link = image.get('src')

1
1

这句的意思就是,获取

img

标签里的

src

属性,

src

就是我们最想要的图片链接了.

这里定义了一个变量

count = 0

,然后在 for 循环里面做递加 

count
+= 1

,最终把这个值

赋给我们的变量

imageName = count

，以便后面使用。

filesavepath = '/Users/weihua0618/Desktop/testpython/%s.jpg' % imageName

urllib.urlretrieve(link,filesavepath)

1
2
3
1
2
3

这两句,第一句是设置一个文件存放地址,第二句用urllib这个库的urlretrieve这个方法下载我们的图片,并且把图片放到刚才的路径里.

好了，万事具备了，我们现在跑一下我们的脚本

python test_python.py

1
1



好了,我们的图片就下载完了.

然后在看看下载的内容：