Python第一个爬虫学习

在网上查看大神的关于Python爬虫的文章，代码如下：

#coding=utf-8
import urllib
import re

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

def getImg(html):
    reg = r'src="(.+?\.jpg)" pic_ext'
    imgre = re.compile(reg)
    imglist = re.findall(imgre,html)
    x = 0
    for imgurl in imglist:
        urllib.urlretrieve(imgurl,'%s.jpg' % x)
        x+=1

html = getHtml("http://tieba.baidu.com/p/2460150866")
print getImg(html)

以下则是在运行上述代码过程中遇到的相关问题，以及解决方式，虽然不怎么高级，但是也算是一种学习思路吧。

问题1：在Python3.2的环境下，未运行时，代码会报错：

解决1：将

print getImg(html)

修改为

print (getImg(html))

问题2：代码执行后，报如下错误：

解决2：度娘进行搜索，才发现3.2不兼容2.0的，于是进入官方文档查找最新的调用方式，对这三行进行以下修改，修改前：

import urllib
page = urllib.urlopen(url)
urllib.urlretrieve(imgurl,'%s.jpg' % x)

修改后：

import urllib.request
page = urllib.request.urlopen(url)
urllib.request.urlretrieve(imgurl,'%s.jpg' % x)

问题3：运行代码，提示以下错误：

C:\Python\python.exe D:/selenium/getjpgTest.py
Traceback (most recent call last):
File "D:/selenium/getjpgTest.py", line 20, in <module>
print (getImg(html))
File "D:/selenium/getjpgTest.py", line 13, in getImg
imglist = re.findall(imgre,html)
File "C:\Python\lib\re.py", line 213, in findall
return _compile(pattern, flags).findall(string)
TypeError: cannot use a string pattern on a bytes-like object

Process finished with exit code 1
解决3：百度之后，很容易得到答案，加上下面一句代码即可解决：

html=html.decode('utf-8')

最终得到以下代码：

#coding=utf-8
import urllib.request
import re

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

def getImg(html):
    reg = r'src="(.+?\.jpg)" pic_ext'
    imgre = re.compile(reg)
    html = html.decode('utf-8')
    imglist = re.findall(imgre,html)
    x = 0
    for imgurl in imglist:
        urllib.request.urlretrieve(imgurl,'%s.jpg' % x)
        x+=1

html = getHtml("http://tieba.baidu.com/p/2460150866")
print (getImg(html))

执行结果如下：

参考文章：1、http://www.cnblogs.com/fnng/p/3576154.html

　　　　　2、http://blog.csdn.net/lxh199603/article/details/53192883