python小实例一：简单爬虫

本文所谓的爬虫就是通过本地远程访问url，然后将url的读成源代码形式，然后对源代码进行解析，获取自己需要的数据，相当于简单数据挖掘。本文实现的是将一个网页的图片爬出保存到本地的过程，例子很简单，用的是python 3.5.2版本，以前的版本可能导入的包的名字不一样，调用的库函数方式有些差别。代码如下：

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

def getHtml(url):
	page = urllib.request.urlopen(url)  ##打开页面
	html = page.read() ##获取目标页面的源码
	return html

def getImg(html):
	reg = 'src="(.+?.png)"'  ##正则表达式筛选目标图片格式，有些是'data-original="(.+?.jpg)"'
	img = re.compile(reg)
	html = html.decode('utf-8')  ##编码方式为utf-8
	imglist = re.findall(img, html) ##解析页面源码获取图片列表
	#print(imglist)
	x = 0
	#length = len(imglist)
	for i in range(6):  ##取前6张图片保存
		imgurl = imglist[i]
		#imgurl = re.sub('"(.*?)"',r'1',imgurl) #取单引号里的双引号内容
		#print(imgurl)
		urllib.request.urlretrieve(imgurl,'%s.jpg' % x) ##将图片从远程下载到本地并保存
		x += 1

global Max_Num
Max_Num = 1
##有时候无法打开目标网页，需要尝试多次，这里设置为1次
for i in range(Max_Num):
	try:
		html = getHtml("view-source:http://www.shangxueba.com/jingyan/2438398.html")
		getImg(html)
		break
	except:
		if i < Max_Num - 1:
			continue
		else:
			print ('URLError: <urlopen error timed out> All times is failed ')