Python爬虫(二)“我想要很多很多的表情包”

Python爬虫之二：“我想要很多很多的表情包”

哈哈hhh，标题写的神神经经的不知所云，其实这是一个关于图片抓取的小运用程序。

一、前期准备

        打开百度贴吧中的“表情包吧”-->"http://tieba.baidu.com/p/5059180075"，这是我们的表情包来源。打开开发者调试，抓取一张图片，其实就是一个标签：

34e5/6652f8de b48

f8c54c02193ed33 292df5e1fe7f01.jpg" size="15478" width="262" height="251">

我们要做的就是抓取页面的所有的图片的 src 资源路径：

src="https://imgsa.baidu.com/forum/w%3D580/sign=a4d059db24f5e0feee1889096c62 34e5/6652f8de b48 f8c54c02193ed33 292df5e1fe7f01.jpg

        我们首先运用正则表达式把页面的所有标签筛选出来。关于"爬虫"，我的理解是根据我们的需求从网页中找到我们需要的内容，如果用字符串匹配的话if-else够我们写到天荒地老了(不信你可以写个demo识别一个字符串如"-12.3"等是不是数字看看),所以正则表达式在爬虫中起了至关重要的作用，然而要用好正则表达式并没有那么简单，一个美式笑话"When you find a problem can use regular expressions to solve, so you have two problems"。

        Python的正则表达式使用方法封装在了re模块里，在程序里 import 进来就可以用了。

        先说在html文件里匹配标签的正则表达式怎么写吧：r'

解释一下，同一个页面的同类型的img标签，按正常的写法『<img class="BDE_Image"』这一部分是固定的了，接续还有src属性，width属性，height属性等(顺序不一定固定)，除了src 属性都不是我们关心的内容，直接用“通配符”『.*?』匹配就好了（『.』 表示匹配除了换行符外的任何字符；『*?』这里是指匹配前面的『.』 零次或多次，非贪婪模式）；关键是写好src属性的匹配：『src="([^"]*\.jpg)"』，其中『[^"]』指生成一个字符类(一个字符集合，可以匹配集合里的任一字符)，『^』是脱字符，这里指的是取反，也就是生成的字符类里包含除了『"』的所有字符，『*』指匹配前面的『[^"]』 零次或多次。还有提高效率的一点是用小括号『()』将图片的地址括起来进行分组，因为我们用正则表达式模式对象的findall()方法时，会找到所有匹配的内容，并将它们组织成列表返回，像

[34e5/6652f8de b48

f8c54c02193ed33 292df5e1fe7f01.jpg" size="15478" width="262" height="251">,

.....]这样的列表，而我们需要的只是图片的地址，所以我们还要在里边把图片的地址给提取出来，子组很方便就解决了这一问题：因为在findall()方法中，如果给出的正则表达式包含了一个或者多个子组，就会返回子组中匹配的内容，如果存在多个子组，那么它还会将匹配的内容组合成元组的形式再返回。这里只有一个元组，所以返回的自然就是图片的地址了。

二、.py程序

程序也很简短，30行代码，没办法，“人生苦短，我用Python!”。

结果就是我们用30行代码换来了500多张表情图，妈妈再也不用担心我和你们斗图了！