Python 简单网页爬虫学习

#coding=utf-8

# 参考文章：
#   1. python实现简单爬虫功能
#       http://www.cnblogs.com/fnng/p/3576154.html #   2. Python 2.7 时间和日期模块常用的例子
#       http://www.linuxidc.com/Linux/2015-06/118458.htm #   3. Python open读写文件实现脚本
#       http://www.jb51.net/article/15709.htm #   4. python re 模块 findall 函数用法简述
#       http://blog.csdn.net/cashey1991/article/details/8875213 #   5. [Python]编码声明：是coding:utf-8还是coding=urf-8呢
#       http://www.xuebuyuan.com/975181.html 
# urllib模块提供的上层接口，使我们可以像读取本地文件一样读取www和ftp上的数据。
import urllib
import re
import datetime,time

# 定义了一个getHtml()函数
def getHtml( url ):
# urllib.urlopen()方法用于打开一个URL地址。
page = urllib.urlopen( url )
# read()方法用于读取URL上的数据
html = page.read()

# 返回整个网页数据
return html

# 创建getImg()函数
def getImg( html ):
# ()表示所要提取的字符串，即: 图片名.jpg
reg = r'src="(.+?\.jpg)" pic_ext'
# 可以把正则表达式编译成一个正则表达式对象.
imgre = re.compile( reg )
# 读取html 中包含 imgre（正则表达式）的数据。
# 当给出的正则表达式中带有一个括号时，列表的元素为字符串，
# 此字符串的内容与括号中的正则表达式相对应（不是整个正则表达式的匹配内容）。
imglist = re.findall( imgre, html )

print "Start downloading the first five pictures"

# 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。
x = 0
for imgurl in imglist:
# 用到了urllib.urlretrieve()方法，直接将远程数据下载到本地
urllib.urlretrieve( imgurl, '%s.jpg' % x )
# python不支持类似 x++ 或 x-- 这样的前置/后置自增/自减运算符，因此只能用 += 或 -= 这种。
x += 1

# 这里面的图片可能比较多，我们测试前五张就差不多了
if x == 5 :
break

print "the first five pictures download completed."

return imglist

# 向getHtml()函数传递一个网址，并把整个页面下载下来，保存在html变量中
html = getHtml( "http://www.zengjf.org" )

# 合成要保存的文件名，由年月日、时分秒组成，以只写方式打开文件
saveFile = open( time.strftime( "%Y%m%d%H%M%S" ) + ".html", 'w' )
saveFile.write( html )      # 将html中的内容写入文件
saveFile.close( )           # 关闭文件

html = getHtml( "http://tieba.baidu.com/p/2460150866" )
print getImg( html )