用Python写一个最简单的网络爬虫

gyts62

什么是网络爬虫？这是百度百科的解释：

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，
自动的抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁，自动索引，模拟程序或者蠕虫。

爬虫可以做什么？爬虫可以帮助我们在茫茫互联网中爬取我们需要的特定数据，这个特定数据可以是任何想获得的数据。
爬虫是一个让人热血的话题，因为当你在写爬虫的时候，你会感觉到自己是在做一件很NB的事，而每当写出一个爬虫，就会在此基础上不断尝试写出更NB的爬虫，有了NB的爬虫，就可以做出更NB的事，并以此不断前行，这就是爬虫的魅力。
自学Python之后，用Python写的第一个程序就是一个爬虫，一个最简单的爬虫，可以爬取一个网页里面的所有图片。



import urllib
import re

html = urllib.urlopen('http://tieba.baidu.com/p/2460150866').read()
reg = r'src="(.+?\.jpg)" pic_ext'
img_re = re.compile(reg)
img_list = re.findall(img_re,html)
x = 0
for img_url in img_list:
    urllib.urlretrieve(img_url,"D:\\Python\\picture\\%s.jpg" % x)
    x+=1

运行之后的结果：

这个爬虫简单到只有10行代码，但它可以以很快的速度将http://tieba.baidu.com/p/2460150866里面的所有图片下载下来。这个简单的爬虫只可以把一个网页的图片下载下来，而我想要写一个爬虫可以把整个网站的图片下载下来，或者说，我写一个爬虫我只要输入一个变量：url，它就可以把整个网站内的所有图片下载下来。话说，没有做不到，就怕没想法，之后写出的爬虫都是再此基础上不断的加以改进。如果对网页有过研究，就会发现网页有很多种，有静态网页，有动态网页，爬虫爬取静态网页很容易，而爬取动态网页就有些困难，还有不同网页的结构都不一样，爬取的方法也不尽相同，想要克服这些困难，就必须使自己的爬虫更加强大。
同样的程序，如果现在来写，我会写成另外一种形式，函数式编程，将所有的代码除了全局变量都写在函数或者类里面，这样代码会很整洁，不容易出错，而程序出错可以很快的找出错误的位置。


import urllib
import re

url = 'http://tieba.baidu.com/p/2460150866'

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

def getImage(html):
    reg = r'src="(.+?\.jpg)" pic_ext'
    img_re = re.compile(reg)
    img_list = re.findall(img_re,html)
    return img_list

def download(img_list):
    x = 0
    for img_url in img_list:
        urllib.urlretrieve(img_url,"D:\\Python\\picture\\%s.jpg" % x)
        x+=1

def main():
    html = getHtml(url)
    img_list = getImage(html)
    download(img_list)

if __name__ == '__main__':
    main()

if __name__ == ‘__main__’: 的意思是，main函数只会在本程序内执行，不会被导入到其他程序中。