Python实现简单的爬虫

先以简单爬虫，爬取应用市场单个页面的APP Logo为例讲解爬虫的基本操作。

一、获取整个页面的数据

首先我们可以先获取要下载的图片的整个页面的信心。

import urllib
import re

def getHtml(url):
page = urllib.urlopen(url)
html = page.read()
return html

其中的urlib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

urlib.urlopen()方法用于打开一个URL地址。

read()方法用于读取URL上的数据，像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出来。

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，我们可以先学习下Python的正则表达式。

假如我们想要提取应用市场中的图片。



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="(.+?\.png)"'
imgre = re.compile(reg)
imglist = re.findall(imgre,html)
return imglist

html = getHtml("http://tieba.baidu.com/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image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循环遍历保存到本地，代码如下：

import urllib
import re

def getHtml(url):
page = urllib.urlopen(url)
html = page.read()
return html
def getImg(html):
reg = r'src="(.+?\.png)"'
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("http://www.appchina.com/")

print getImg(html)

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

通过一个for循环对获取到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。