4.正则提取html中的img标签的src内容

我们以百度贴吧的1吧举例

目录

1  把网页搞下来

2  收集url

3  处理url

4  空的src

5  容错

6  不使用数字作为文件名

7  并不是所有的图片都用img标签表示

8  img标签中src请求下来不一定正确

9  分页

---

 

1  把网页搞下来

搞下来之后，双击打开是这样的

2  收集url

我们实际拿的就是 img标签中src的内容，比如这个

我们通过正则获取一下

我们得到了这些结果

3  处理url

我们发现上面好多url都没有协议，那么我们需要给协议加上，然后发起请求，保存。我们用数字作为保存图像的名称

运行后发现报错了

4  空的src

错误的原因是我们获取的结果，第三条是空的

这种就是前端用来占位的，我们在保存的html中可以看到确实是没东西

这时候如果不确定的话，可以用浏览器访问，然后搜一下，发现在浏览器中它也是空的

5  容错

除了空的src，之后还可能会有很多问题，比起通过if来判断是否为空，在调试阶段中，我更倾向用try还except来捕获错误

这一次我们保存了很多的图片

但我们发现重复的图像太多了

6  不使用数字作为文件名

现在有很多方法来进行数据去重，比如使用hash库，我们这里使用文件名的方式去重，如果html中引入的文件相同，那他们的文件名也应该相同

我们发现有两种格式的url，一种是红色箭头的url以文件格式结尾，另一种是不以文件格式做结尾。但他们都有一个共同点，文件名都在最后一个斜杠的后面

那么我们可以这样写

• 这样写有个缺点，对于查询字符串的url直接给了数字与png做名字

至此img的src内容已经全搞下来了

7  并不是所有的图片都用img标签表示

比如这张图

还有这张图

8  img标签中src请求下来不一定正确

比如这里，我保存的网页是这样的

但实际是这样的

我们这个时候就要关注img标签的其他属性，比如这里的 data-original与bpic，用浏览器访问data-original的地址，会得到缩略图

用浏览器访问bpic的地址会得到这张大图

9  分页

像这种分页一般由于url挂钩，第一页pn是0

第二页pn是50

之后的pn就会是100，150，200这种，我们可以利用这个特性爬取多页

发现可以成功爬取一些图片