今天加班啊，苦啊！！

无聊，用python写了一个抓图片的爬虫，感觉很不错啊，哈哈

先贴上代码：（python 版本：2.7.9）

__author__ = 'bloodchilde'


import  urllib
import urllib2
import  re
import os

class Spider:
    def __init__(self):
        self.siteUrl="http://sc.chinaz.com/biaoqing/"
        self.user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; rv:11.0) like Gecko'
        self.headers = { 'User-Agent' : self.user_agent }

    def getPage(self,pageIndex):
        url = self.siteUrl+"index_"+str(pageIndex)+".html"
        request = urllib2.Request(url,headers = self.headers)
        response = urllib2.urlopen(request)
        return response.read().decode("utf-8")

    def getContents(self,pageIndex):
        page = self.getPage(pageIndex)

        pattern = re.compile('''<div.*?class='num_1'.*?>.*?<p>.*?<a.*?href='.*?'.*?target='_blank'.*?title='(.*?)'.*?><img.*?src2="(.*?)".*?>.*?</a>.*?</p>.*?</div>''',re.S)

        items = re.findall(pattern,page)

        contents=[]

        for item in items:
            contents.append([item[0],item[1]])
        return contents

    def mk_dir(self,path):


        isExisist = os.path.exists(path)

        if not isExisist:
            os.makedirs(path)
            return True
        else:
            return False

    def downImage(self,url,dirname):
        imageUrl = url
        request = urllib2.Request(imageUrl,headers = self.headers)
        response = urllib2.urlopen(request)
        imageContents = response.read()

        urlArr = imageUrl.split(u"/")
        imageName = str(urlArr[len(urlArr)-1])

        print imageName

        path = u"C:/Users/bloodchilde/Desktop/image_python/"+dirname

        self.mk_dir(path)

        imagePath = path+u"/"+imageName

        f = open(imagePath, 'wb')
        f.write(imageContents)
        f.close()

    def downLoadAllPicture(self,PageIndex):
        contents = self.getContents(PageIndex)

        for list in contents:
            dirname = list[0]
            imageUrl = list[1]
            self.downImage(imageUrl,dirname)




demo = Spider()

for page in range(3,100):
    demo.downLoadAllPicture(page)

效果如下：

下载这么多图片，瞬间搞定，下面来分析一下程序：

首先，我的目标网页是：

http://sc.chinaz.com/biaoqing/index_3.html

程序功能是到这个网页下载表情图片

程序思路：

1，获取网页的源码信息

2，解析源码获取要下载的图片的URL（正则处理）

3，重新定位url向这个图片的url发起请求获取url的信息，这个url信息其实就是图片内容contents

4，通过上面获取的图片的URL还可以获取图片的名称(带后缀名) imageName

5，在本地创建文件以获取的imageName命名，将内容contents写进文件即可

打开http://sc.chinaz.com/biaoqing/index_3.html，查看源码，找到要处理的代码段如下：

对应的正则是：

'''<div.*?class='num_1'.*?>.*?<p>.*?<a.*?href='.*?'.*?target='_blank'.*?title='(.*?)'.*?><img.*?src2="(.*?)".*?>.*?</a>.*?</p>.*?</div>'''

我们要从代码段中获取title和src2,title作为文件夹名，src2作为目标图片URL

是不是感觉很简单啊。。。。