作业二之简单爬虫正则表达式

好不容易盼来三天假,于是我在家蹲着coding啦。

这一次课堂,我主要了解两个知识点:1、利用urllib抓取网页;2利用正则表达式获取网页中需要的内容。

第一个练习做的比较顺利,代码如下:
'''
import urllib.request
import re
page = urllib.request.urlopen('https://tieba.baidu.com/p/3205263090')

print(page.read())

html = page.read()
html = html.decode('UTF-8')

src="([.\S].jpg)" pic_ext="jpeg"

reg = r'src="([.\S].jpg)" pic_ext="jpeg"'
imgurls = re.findall(reg, html) #匹配出所有url

x=1

遍历

for imgurl in imgurls:
print (imgurl)
urllib.request.urlretrieve(imgurl,"E:/pycharmproject/pachongtest/%s.jpg"%x)
print("downloading pic %d"%x)
x+=1
'''

第二个练习遇到了困难。运行完毕后报“url错误”,我将url打印出来后发现是这样的:
“//hbimg.b0.upaiyun.com/654953460733026a7ef6e101404055627ad51784a95c-B6OFs4_sq75sf”,试着更换正则表达式,得到的url还是这样的,最后没有办法,手动的在获取的每个url上加了一个http:,于是图片都能保存了。代码如下:
'''
import urllib.request
import re
page = urllib.request.urlopen('http://huaban.com/pins/1120072731/')
html = page.read()
html = html.decode('UTF-8')
print(html)

reg = r' imgurls = re.findall(reg, html) #匹配出所有url

x=1

遍历

for imgurl in imgurls:

 imgurl='http:'+imgurl
 print(imgurl)
 urllib.request.urlretrieve(imgurl,"E:/pycharmproject/pachongtest/%s.jpg"%x)
 print("downloading pic %d"%x)
 x+=1

'''

另外,因为开始是在OSX上写的,环境是python2.7,这两天换到台式机上,装的python3.6,发现语法什么的还是有很多不一样,两边的代码放到对方那不一定能正确运行。

你可能感兴趣的:(作业二之简单爬虫正则表达式)