【python 3.6】从网站抓图并存放到本地路径

#!/usr/bin/python
# -*- coding: UTF-8 -*-
_author_ = 'BH8ANK'

import urllib.request
import re
import os
import time

#os.rmdir("D:/images")

#1，打开页面，读取图片张数,抓html
wangzhi = "https://www.zhihu.com/question/43551423"
keywords = ".jpg"

def get_html(url):
    page = urllib.request.urlopen(url)
    html = page.read()
    return html

content = str(get_html(wangzhi))
a = content.count(keywords)

#print(content)
#print("此页面有%d张图" %a)

#2，匹配图片文件,抓jpg
def get_image(html):
    t = r'src="(.+?\.jpg)"' #正则表达式，匹配的是r后面的内容，这部分内容来自于网页的html
    img = re.compile(t)#将正则表达式翻译成它的对象
    html1 = html.decode('utf-8')
    # html用decode('utf-8')进行解码，由bytes变成string。
    # py3的urlopen返回的不是string是bytes，如果没有这一步，就会报下面的错
    #    return _compile(pattern, flags).findall(string)
    #TypeError: cannot use a string pattern on a bytes-like object

    img_list = re.findall(img,html1)#在html中找到所有符合正则表达式的图片，存入列表list
    # try:                           #要么用异常处理方式，要么用if not判断路径是否存在
    #     os.mkdir("D:/images")
    # except FileExistsError:
    #     pass
    if not os.path.exists("D:/images"):#不存在即创建
        os.mkdir("D:/images")
    print("\n\nCreat Success\n")
    # input()
    n = 1                              #此处要重点理解的是循环变量n，这个n一边控制循环，一边给抓到的图命名
    for html in img_list:
        urllib.request.urlretrieve(html, 'D:/images/%s.jpg' %n)
        print("抓到第%3d张图"  %n,end="") #如果写为%03d，则不满3位，前面加0，如果写为%3d，则右对齐，前面不加0
        '''
        上面print中用到了end=''，表示后面的打印不换行
        下面的模块负责显示抓到第几张图片时，打印进度条
        '''
        N=0.05#每隔0.05秒打印一个=
        k=1#循环控制变量，一共打印20个=，最后打印Done
        while k < 20:
            print("=", end='', flush=True)
            time.sleep(N)
            k += 1
        print("Done")
        n += 1
    print("\n一共抓到%d张图"   %(n - 1))
    return img_list
    # for img_url in img_list:
    #     urllib.urlretrieve(img_url, 'D:/tmp/%s.jpg' % n)
    #     return img_list
# c = get_image(get_html(wangzhi))
# d = c.decode('utf-8')
#
# print(d)

if __name__ == "__main__":
    daima = get_html(wangzhi)
    print(daima)#此为目标网页的html代码
# input()
    get_image(daima)#从html中取出匹配的图片，并存放

代码部分本身比较简单，重点需要理解的部分是re.compile和re.findall.

容易出错的地方：

1，下面两行，为什么要decode呢

    html1 = html.decode('utf-8')
    img_list = re.findall(img,html1)

如果不decode，就会报错

原因是：

TypeError: can't use a string pattern on a bytes-like object.

html用decode('utf-8')进行解码，由bytes变成string。

py3的urlopen返回的不是string是bytes，这一点和py2有差异。

2，下面这句的意思是筛选 【src="(.+?\.jpg)"】，这部分内容是通过查看网页html来确定的

  t = r'src="(.+?\.jpg)"' 

3，创建文件夹时，需要判断当前路径下，是否有这个文件夹，可以采用两种方式，if not 或者try except