爬虫 python 正则匹配 保存网页图片

在这里我只提供的是一种方法，有很多网页有反爬虫的机制，我的代码并不适用所有的网页（百度的图片搜索就不行）

1. 简介

1.1 爬虫

爬虫是指模拟人工访问网站并抓取网站内容的程序。通常爬虫程序由以下几个部分组成：

1. 获取网页内容：爬虫程序需要模拟 HTTP 请求，向目标网站发送请求，并获取网页内容。

2. 解析网页内容：爬虫程序需要对获取的网页内容进行解析，提取出需要的信息，这些信息可能包括文本、图像、视频、链接等。

3. 存储数据：爬虫程序需要将获取到的数据存储到本地或者数据库中，以便进行分析和处理。

爬虫程序通常可以分为以下几个步骤：

1. 确定要爬取的目标网站。

2. 分析目标网站的网页结构，了解网站的 URL 规则和数据格式。

3. 编写爬虫程序，模拟 HTTP 请求，获取网页内容，并解析需要的数据。

4. 对爬取到的数据进行处理，存储到本地或者数据库中。

需要注意的是，爬虫程序需要遵守网站的访问规则和法律法规，不得对网站进行恶意攻击和侵犯他人隐私等行为。此外，为了避免对目标网站的服务器造成负担，爬虫程序应该设置合理的访问频率和访问间隔。

1.2 爬虫语言

爬虫可以使用多种编程语言进行开发，常见的有：

1. Python：Python 是目前应用最广泛的爬虫编程语言之一，具有简洁易学、生态丰富、库众多等优点。

2. Java：Java 是一种通用的编程语言，也可以用来开发爬虫程序。Java 虽然有些冗长，但是其稳定性和跨平台性在爬虫领域表现出色。

3. JavaScript：JavaScript 常用于前端开发，但也可以用来开发爬虫程序。JavaScript 的优点是在浏览器环境下运行，可以从页面中获取动态生成的内容。

4. Ruby：Ruby 是一种优雅的编程语言，具有易读易写、面向对象等优点，也可以用来开发爬虫程序。

5. Go：Go 是一种新兴的编程语言，由于其简单易用、高效等特点，也开始逐渐应用于爬虫编程领域。

不同的编程语言有不同的特点和优缺点，在选择时需要考虑自己的实际需求和个人偏好。

1.3 python库

Python 爬虫使用的库非常丰富，以下是一些常用的爬虫库：

1. Requests：用于发送 HTTP 请求，并返回相应的数据，是 Python 中最流行的库之一。

2. Beautiful Soup：用于解析 HTML 和 XML 文档，可以方便地从网页中提取数据。

3. Scrapy：一个基于 Python 的高级爬虫框架，可用于抓取大量数据。

4. Selenium：用于模拟浏览器行为，可以模拟点击、输入等操作，自动化地获取数据。

5. Pandas：用于数据处理和分析，可以将抓取的数据整理成表格形式进行分析。

6. Pyquery：用于解析 HTML 和 XML 文档，类似于 jQuery 的语法，可以方便地从网页中提取数据。

7. Textract：用于提取文本和表格数据，可以自动识别 PDF、Word、Excel 等文档格式。

8. Scikit-learn：用于机器学习相关的应用，可以对抓取的数据进行分类、聚类等操作。

以上库只是常用的一部分，具体使用时需要根据实际需求选择适合的库。

1.4 我的步骤

1. 导入要使用的包
2. 测试是否读取网页
3. 查看网页源代码，来写正则匹配
4. 打开一个图片，测试保存
5. 结合起来，依次匹配，进行保存到文件夹

2. 导入包

2.1 代码

import os
import requests
import webbrowser
import sys
import cv2
import re

2.2 requests库

我使用的库是requests

Requests 是 Python 中非常流行的 HTTP 请求库，用于发送 HTTP 请求并获取响应。它提供了简单易用的 API，可以轻松地发送 GET、POST、PUT 等请求，还可以添加请求头、发送 cookie 等。以下是 Requests 库的基本使用方法：

1. 安装 Requests 库：在命令行中输入 pip install requests 即可安装。

2. 导入 Requests 库：在 Python 文件中使用 import requests 导入库。

3. 发送 HTTP 请求：使用 requests.get(url) 发送 GET 请求，使用 requests.post(url, data) 发送 POST 请求。其中，url 是请求的网址，data 是请求参数。

4. 获取响应：使用 response.text 获取响应内容，使用 response.status_code 获取响应状态码。

5. 添加请求头：使用 headers 参数添加请求头，如 requests.get(url, headers=headers)。

6. 发送 cookie：使用 cookies 参数添加 cookie，如 requests.get(url, cookies=cookies)。

7. 超时设置：使用 timeout 参数设置超时时间，如 requests.get(url, timeout=5)。

以下是一个使用 Requests 发送 GET 请求的示例：

import requests

response = requests.get('https://www.baidu.com')
print(response.text)

以上代码会发送一个 GET 请求到百度首页，并获取响应内容打印出来。注意，这里的 response.text 是获取响应内容的方法。如果要获取二进制数据，可以使用 response.content。

3. 写入文件函数

代码：

# 写入文件函数
def down_pic(url, filename):
   #定义一个函数，用于下载网络图片，参数url为图片对应的url地址，filename为爬取图片名字
    r = requests.get(url) # 获取网页内容
    path = './picture' # 爬取图片待存储目录
    if not os.path.exists(path): # 判断桌面是否有一个名称为“图片”的文件夹，如果没有，就创建它
        os.mkdir(path)    # 爬取图片
    with open(path + '\\' + filename, 'wb') as f:     
        f.write(r.content) # 以二进制形式写入文件   
        f.close # 关闭文件

这里的url不是网页地址，是图片地址。
我们可以打开一个含有图片的网页

在空白处右击进行检查或者按Ctrl+shift+I

选择你想查看的图片

复制地址

新开一个网页，在最上面，输入这个地址，进入地址


这里的地址就是网页地址
右击可以选择地址进行保存，嘻嘻！！！

4. 获取图片

代码：

def get_web(url):
    header={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36',
        'Cookie':'*****'#cookie需要你先自己在浏览器登录百度账号，再按f12就有了
        'Accept':'image/avif,image/webp,image/apng,image/svg+xml,image/*,*/*;q=0.8',
        'Accept-Encoding':'gzip, deflate, br',
        'Accept-Language':'zh-CN,zh;q=0.9'}
    response = requests.get(url,headers=header)
    # print(response)
    # print(response.content.decode())
    text = response.content.decode() # 获取文档
    # 存一下看看
    path = "./text.html"
    file = open(path,'w',encoding="utf-8")
    file.write(text)
    file.close()
    # 接下来进行正则匹配
    r = r"data-original=\"(.*?)\""
    fill = re.findall(r,text)
    print(fill[0])
    # 命名
    a = ""
    for i in range(len(fill)):
        url = "https:" + fill[i]
        a = str(i) +".jpg"
        down_pic(url,a)
        a = ""

在你要爬虫的页面，按ctrl+shift+I进行检查的console栏，输入alert(document.cookie)
这样就获取了你的cookie

在这个代码里，我将获取的text保存到html文件里了，这样方便查看。

最主要的部分是正则匹配，可以通过查看文档来考虑图片地址的匹配方式。

5. 主函数

5.1 代码

if __name__ == '__main__':
    url = 'https://sc.chinaz.com/tupian/gudianmeinvtupian.html' # 图片对应的url地址
    # webbrowser.open(url)  # 打开网页
    # 获取文件文档，然后匹配文件
    get_web(url)

这里我爬虫的网页是一个含有图片的免费下载的网站，对于别的网站我也没有试过。
https://sc.chinaz.com/tupian/gudianmeinvtupian.html

5.2 说明一下webbrowser

webbrowser 是 Python 内置的标准库，可以用来在默认浏览器中打开指定的 URL。webbrowser.open(url) 方法接收一个 URL 参数，它会自动打开系统默认浏览器并在其中打开指定的 URL。

下面是一个示例：

import webbrowser

url = "https://www.baidu.com"
webbrowser.open(url)

运行以上代码后，系统默认浏览器会打开百度的首页。如果系统中有多个浏览器，那么会打开默认浏览器。

webbrowser 库还提供了其他一些方法，例如 open_new() 和 open_new_tab()，它们分别用来在新窗口和新标签页中打开 URL。例如：

import webbrowser

url = "https://www.baidu.com"
webbrowser.open_new_tab(url)

运行以上代码后，系统默认浏览器会在新标签页中打开百度的首页。

6. 所有代码

'''
Descripttion: 存储网络上的图片,算是做了一些吧
version: 版本
Author: YueXuanZi
Date: 2023-05-30 14:52:30
LastEditors: YueXuanZi
LastEditTime: 2023-05-31 20:53:50
Experience: 心得体会
'''
import os
import requests
import webbrowser
import sys
import cv2
import re
# 写入文件函数
def down_pic(url, filename):
   #定义一个函数，用于下载网络图片，参数url为图片对应的url地址，filename为爬取图片名字
    r = requests.get(url) # 获取网页内容
    path = './picture' # 爬取图片待存储目录
    if not os.path.exists(path): # 判断桌面是否有一个名称为“图片”的文件夹，如果没有，就创建它
        os.mkdir(path)    # 爬取图片
    with open(path + '\\' + filename, 'wb') as f:     
        f.write(r.content) # 以二进制形式写入文件   
        f.close # 关闭文件

def get_web(url):
    header={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36',
        'Cookie':'***',#cookie需要你先自己在浏览器登录百度账号，再按f12就有了
        'Accept':'image/avif,image/webp,image/apng,image/svg+xml,image/*,*/*;q=0.8',
        'Accept-Encoding':'gzip, deflate, br',
        'Accept-Language':'zh-CN,zh;q=0.9'}
    response = requests.get(url,headers=header)
    # print(response)
    # print(response.content.decode())
    text = response.content.decode() # 获取文档
    # 存一下看看
    path = "./text.html"
    file = open(path,'w',encoding="utf-8")
    file.write(text)
    file.close()
    # 接下来进行正则匹配
    r = r"data-original=\"(.*?)\""
    fill = re.findall(r,text)
    print(fill[0])
    a = ""
    for i in range(len(fill)):
        url = "https:" + fill[i]
        a = str(i) +".jpg"
        down_pic(url,a)
        a = ""

if __name__ == '__main__':
    url = 'https://sc.chinaz.com/tupian/gudianmeinvtupian.html' # 图片对应的url地址
    # webbrowser.open(url)  # 打开网页
    # 获取文件文档，然后匹配文件
    get_web(url)

7. 其他（可以忽略）

不是专门学习爬虫，有了想法就去做了，遇到困难就解决困难。多去尝试一下，哈哈哈哈哈。
就当是给自己玩一个游戏吧，感受一下键盘敲击的快乐，在头脑风暴中沉醉。
这是很重要的一个体验，接触多了有趣多了。

8. 总结

还算顺利，都还可以，CSDN里基本上都有我想要找到的，方法总比苦难多，以后要不要学习用JAVA或者javascript等别的一些语言进行爬虫啊，还在考虑，哈哈哈哈。学习爬虫是因为做一下机器视觉实验或者机器学习的时候没有素材，后来发现，没有网上人家自己搜集的数据集好。就当是一个体验吧，哈哈哈哈。

---

最后把开始那张照片放在这吧，欢迎大家在评论区交流。