1 #coding=utf-8 2 3 # 参考文章： 4 # 1. python实现简单爬虫功能 5 # http://www.cnblogs.com/fnng/p/3576154.html 6 # 2. Python 2.7 时间和日期模块常用的例子 7 # http://www.linuxidc.com/Linux/2015-06/118458.htm 8 # 3. Python open读写文件实现脚本 9 # http://www.jb51.net/article/15709.htm 10 # 4. python re 模块 findall 函数用法简述 11 # http://blog.csdn.net/cashey1991/article/details/8875213 12 # 5. [Python]编码声明：是coding:utf-8还是coding=urf-8呢 13 # http://www.xuebuyuan.com/975181.html 14 15 16 # 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。 17 import urllib 18 import re 19 import datetime,time 20 21 # 定义了一个getHtml()函数 22 def getHtml( url ): 23 # urllib.urlopen()方法用于打开一个URL地址。 24 page = urllib.urlopen( url ) 25 # read()方法用于读取URL上的数据 26 html = page.read() 27 28 # 返回整个网页数据 29 return html 30 31 # 创建getImg()函数 32 def getImg( html ): 33 # ()表示所要提取的字符串，即: 图片名.jpg 34 reg = r'src="(.+?\.jpg)" pic_ext' 35 # 可以把正则表达式编译成一个正则表达式对象. 36 imgre = re.compile( reg ) 37 # 读取html 中包含 imgre（正则表达式）的数据。 38 # 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， 39 # 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）。 40 imglist = re.findall( imgre, html ) 41 42 print "Start downloading the first five pictures" 43 44 # 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， 45 # 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。 46 x = 0 47 for imgurl in imglist: 48 # 用到了urllib.urlretrieve()方法，直接将远程数据下载到本地 49 urllib.urlretrieve( imgurl, '%s.jpg' % x ) 50 # 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。 51 x += 1 52 53 # 这里面的图片可能比较多，我们测试前五张就差不多了 54 if x == 5 : 55 break 56 57 print "the first five pictures download completed." 58 59 return imglist 60 61 # 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 62 html = getHtml( "http://www.zengjf.org" ) 63 64 # 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 65 saveFile = open( time.strftime( "%Y%m%d%H%M%S" ) + ".html", 'w' ) 66 saveFile.write( html ) # 将html中的内容写入文件 67 saveFile.close( ) # 关闭文件 68 69 html = getHtml( "http://tieba.baidu.com/p/2460150866" ) 70 print getImg( html )
