携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第4天，点击查看活动详情 想要爬取指定网页中的图片主要需要以下三个步骤：

（1）指定网站链接，抓取该网站的源代码（如果使用google浏览器就是按下鼠标右键 -> Inspect-> Elements 中的 html 内容）

（2）根据你要抓取的内容设置正则表达式以匹配要抓取的内容

（3）设置循环列表，重复抓取和保存内容

以下介绍了两种方法实现抓取指定网页中图片

（1）方法一：使用正则表达式过滤抓到的 html 内容字符串

兄弟们 这个代码开有没有知道咋添加的 我没添加上 直接给大家图片和代码了 一下是图片上的代码 方便大家复制粘贴

第一个简单的爬取图片的程序

import urllib.request # python自带的爬操作url的库 import re # 正则表达式

该方法传入url,返回url的html的源代码

def getHtmlCode(url): # 以下几行注释的代码在本程序中有加没加效果一样,但是为了隐藏自己避免被反爬虫可以假如这个伪装的头部请求 headers = { 'User-Agent': 'Mozilla/5.0(linux; android 6.0; Nexus 5 Build/MRA58N)
AppleWebKit/537.36(KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36' } # 将headers头部添加到url，模拟浏览器访问 url = urllib.request.Request(url, headers=headers)

 # 将url页面的源代码保存成字符串
 page = urllib.request.urlopen(url).read()
 # 字符串转码
 page = page.decode('UTF-8')
 return page

该方法传入html的源代码，通过截取其中的img标签，将图片保存到本机

def getImage(page): # [^\s]? 表示最小匹配， 两个括号表示列表中有两个元组 # imageList = re.findall(r'(https:[^\s]?(png))"', page) imageList = re.findall(r'(https:[^\s]*?(jpg|png|gif))"', page) x = 0 # 循环列表 for imageUrl in imageList: try: print('正在下载: %s' % imageUrl[0]) # 这个image文件夹需要先创建好才能看到结果 image_save_path = './image/%d.png' % x # 下载图片并且保存到指定文件夹中 urllib.request.urlretrieve(imageUrl[0], image_save_path) x = x + 1 except: continue pass if name == 'main': # 指定要爬取的网站 url = "www.cnblogs.com/ttweixiao-I…" # 得到该网站的源代码 page = getHtmlCode(url) # 爬取该网站的图片并且保存 getImage(page) # print(page)

注意，代码中需要修改的就是imageList = re.findall(r'(https:[^\s]*?(jpg|png|gif))"', page) 这一块内容，如何设计正则表达式需要根据你想要抓取的内容设置。我的设计来源如下 你们可以参考一下

可以看到，因为这个网页上的图片都是 png 格式，所以写成imageList = re.findall(r'(https:[^\s]*?(png))"', page)也是可以的。

（2）方法二：使用 BeautifulSoup 库解析 html 网页

以下是图中的代码 方便大家复制粘贴

from bs4 import BeautifulSoup # BeautifulSoup是python处理HTML/XML的函数库，是Python内置的网页分析工具 import urllib # python自带的爬操作url的库

该方法传入url,返回url的html的源代码

def getHtmlCode(url): # 以下几行注释的代码在本程序中有加没加效果一样,但是为了隐藏自己避免被反爬虫可以假如这个伪装的头部请求 headers = { 'User-Agent': 'Mozilla/5.0(Linux; Android 6.0; Nexus 5 Build/MRA58N)
AppleWebKit/537.36(KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36' } # 将headers头部添加到url，模拟浏览器访问 url = urllib.request.Request(url, headers=headers)

 # 将url页面的源代码保存成字符串
 page = urllib.request.urlopen(url).read()
 # 字符串转码
 page = page.decode('UTF-8')
 return page

该方法传入html的源代码，通过截取其中的img标签，将图片保存到本机

def getImage(page): # 按照html格式解析页面 soup = BeautifulSoup(page, 'html.parser') # 格式化输出DOM树的内容 print(soup.prettify()) # 返回所有包含img标签的列表，因为在Html文件中图片的插入呈现形式是 imgList = soup.find_all('img') x = 0 # 循环找到的图片列表，注意，这里手动设置从第2张图片开始，是因为我debug看到了第一张图片不是我想要的图片 for imgUrl in imgList[1:]: print('正在下载： %s ' % imgUrl.get('src')) # 得到scr的内容，这里返回的就是Url字符串链接，如'img2020.cnblogs.com/blog/170358…' image_url = imgUrl.get('src') # 这个image文件夹需要先创建好才能看到结果 image_save_path = './image/%d.png' % x # 下载图片并且保存到指定文件夹中 urllib.request.urlretrieve(image_url, image_save_path) x = x + 1 if name == 'main': # 指定要爬取的网站 url = 'www.cnblogs.com/ttweixiao-I…' # 得到该网站的源代码 page = getHtmlCode(url) # 爬取该网站的图片并且保存 getImage(page)

这两种方法各有利弊，我觉得可以灵活结合使用这两种方法，比如先使用方法2中指定标签的方法缩小要寻找的内容范围，然后再使用正则表达式匹配想要的内容，这样做起来更加简洁明了。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。