python爬虫（6）爬虫实例（2）

import urllib.request
import re


# 获取网页的html，与requests包一样的功能
def getHtml(url):
    response = urllib.request.Request(url, headers=header)
    page = urllib.request.urlopen(response)
    html = page.read()  # urllib用read()读取html；requests包用text读取html
    print(html)
    return html


# 获取图片对应的src属性代码
def getImg(html):
    html = html.decode('utf-8')

    # 通过re-compile-findall二连函数操作来获取图片src属性对应的代码
    src = r'https://[^\s]*?\.jpg'
    imgre = re.compile(src)  # re.compile()，可以把正则表达式编译成一个正则表达式对象
    imglist = re.findall(imgre, html)
    # re.findall()，读取html中包含imgre（正则表达式）的数据,imglist是包含了所有src元素的数组

    # 用urlretrieve下载图片。图片命名为0/1/2...之类的名字
    x = 0
    for imgurl in imglist:
        # 注意，这里的文件路径，每段路径的首字母一定要大写！！小写会识别出错
        urllib.request.urlretrieve(imgurl, 'E:%s.jpg' % x)  #下载到指定路径
        x += 1
        print(imgurl)


header = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
html = getHtml("https://tieba.baidu.com/p/5439602441")
getImg(html)
print('OK')

本例知识点

urllib.requests模块，用Requests、openurl来请求网页，用read()来读取出html，用urlretrieve来直接下载文件到制定目录；

re包中，用re-compile-findall来获取图片对应的src属性代码，这是一个常用的套路，类似于BeautifulSoup的soup-find_all-get三连击；

在正则表达式中，对于下面的长代码，直接用https://[^\s]*?.jpg来代替就可以了。具体每个字符的含义，可以自行查表，但是这个短代码串，是可以在很多爬虫中通用的。牢牢记住，再来变通。
https://imgsa.baidu.com/forum/w%3D580/sign=4c9a9f3955df8db1bc2e7c6c3921dddb/abf17d1ed21b0ef40b2f06ffd6c451da80cb3e7a.jpg

此外，还有一些小问题。例如，对于html此处还要用decode来解码（具体原因还不清楚），Python在文件路径上只能识别首字母为大写的文件。这些小问题，就需要开发者在实际中慢慢体会了；

提供了将下载的图片命名为1,2,3…等数字的方法，即：将变量x插入到下载和命名过程，每执行一次for函数，x就自加一次即可。