最近老師讓學習Python與維基百科相關的知識，無聊之中用Python簡單做了個爬取“游訊網圖庫”中的圖片，因為每次點擊下一張感覺非常浪費時間又繁瑣。主要分享的是如何爬取HTML的知識和Python如何下載圖片；希望對大家有所幫助，同時發現該網站的圖片都挺精美的，建議閱讀原網下載圖片，支持游訊網不要去破壞它。 通過瀏覽游訊網發現它的圖庫URL為，其中全部圖片為0_0_1到0_0_75: [http://pic.yxdown.com/list/0_0_1.html](http://pic.yxdown.com/list/0_0_1.html) [?http://pic.yxdown.com/list/0_0_75.html](http://pic.yxdown.com/list/0_0_1.html)  同時通過下圖可以發現游訊網的1-75頁個列表，每頁中有很多個主題，每個主題都有相應的多張圖片。  源代碼如下： (需在本地創建E:\\Picture3文件夾和Python運行目錄創建yxdown文件夾) ~~~ # coding=utf-8 # 聲明編碼方式 默認編碼方式ASCII 參考https://www.python.org/dev/peps/pep-0263/ import urllib import time import re import os ''' Python下載游迅網圖片 BY:Eastmount ''' ''' ************************** #第一步 遍歷獲取每頁對應主題的URL #http://pic.yxdown.com/list/0_0_1.html #http://pic.yxdown.com/list/0_0_75.html ************************** ''' fileurl=open('yxdown_url.txt','w') fileurl.write('********獲取游訊網圖片URL*******\n\n') #建議num=3 while num<=3一次遍歷一個頁面所有主題,下次換成num=4 while num<=4而不是1-75 num=3 while num<=3: temp = 'http://pic.yxdown.com/list/0_0_'+str(num)+'.html' content = urllib.urlopen(temp).read() open('yxdown_'+str(num)+'.html','w+').write(content) print temp fileurl.write('********第'+str(num)+'頁*******\n\n') #爬取對應主題的URL #<div class="cbmiddle"></div>中<a target="_blank" href="/html/5533.html" > count=1 #計算每頁1-75中具體網頁個數 res_div = r'<div class="cbmiddle">(.*?)</div>' m_div = re.findall(res_div,content,re.S|re.M) for line in m_div: #fileurl.write(line+'\n') #獲取每頁所有主題對應的URL并輸出 if "_blank" in line: #防止獲取列表list/1_0_1.html list/2_0_1.html #獲取主題 fileurl.write('\n\n**********************\n') title_pat = r'<b class="imgname">(.*?)</b>' title_ex = re.compile(title_pat,re.M|re.S) title_obj = re.search(title_ex, line) title = title_obj.group() print unicode(title,'utf-8') fileurl.write(title+'\n') #獲取URL res_href = r'<a target="_blank" href="(.*?)"' m_linklist = re.findall(res_href,line) #print unicode(str(m_linklist),'utf-8') for link in m_linklist: fileurl.write(str(link)+'\n') #形如"/html/5533.html" ''' ************************** #第二步 去到具體圖像頁面 下載HTML頁面 #http://pic.yxdown.com/html/5533.html#p=1 #注意先本地創建yxdown 否則報錯No such file or directory ************************** ''' #下載HTML網頁無原圖 故加'#p=1'錯誤 #HTTP Error 400. The request URL is invalid. html_url = 'http://pic.yxdown.com'+str(link) print html_url html_content = urllib.urlopen(html_url).read() #具體網站內容 #可注釋它 暫不下載靜態HTML open('yxdown/yxdown_html'+str(count)+'.html','w+').write(html_content) ''' #第三步 去到圖片界面下載圖片 #圖片的鏈接地址為http://pic.yxdown.com/html/5530.html#p=1 #p=2 #點擊"查看原圖"HTML代碼如下 #<a href="javascript:;" style=""onclick="return false;">查看原圖</a> #通過JavaScript實現 而且該界面存儲所有圖片鏈接<script></script>之間 #獲取"original":"http://i-2.yxdown.com/2015/3/18/6381ccc..3158d6ad23e.jpg" ''' html_script = r'<script>(.*?)</script>' m_script = re.findall(html_script,html_content,re.S|re.M) for script in m_script: res_original = r'"original":"(.*?)"' #原圖 m_original = re.findall(res_original,script) for pic_url in m_original: print pic_url fileurl.write(str(pic_url)+'\n') ''' #第四步 下載圖片 #如果瀏覽器存在驗證信息如維基百科 需添加如下代碼 class AppURLopener(urllib.FancyURLopener): version = "Mozilla/5.0" urllib._urlopener = AppURLopener() #參考 http://bbs.csdn.net/topics/380203601 #http://www.lylinux.org/python使用多線程下載圖片.html ''' filename = os.path.basename(pic_url) #去掉目錄路徑,返回文件名 #No such file or directory 需要先創建文件Picture3 urllib.urlretrieve(pic_url, 'E:\\Picture3\\'+filename) #http://pic.yxdown.com/html/5519.html #IOError: [Errno socket error] [Errno 10060] #只輸出一個URL 否則輸出兩個相同的URL break #當前頁具體內容個數加1 count=count+1 time.sleep(0.1) else: print 'no url about content' time.sleep(1) num=num+1 else: print 'Download Over!!!' ~~~ 其中下載[http://pic.yxdown.com/list/0_0_1.html](http://pic.yxdown.com/list/0_0_1.html)的圖片E:\\Picture文件夾如下：  下載[http://pic.yxdown.com/list/0_0_3.html](http://pic.yxdown.com/list/0_0_1.html)的圖片E:\\Picture3文件夾如下：  由于代碼注釋中有詳細的步驟，下面只是簡單介紹過程。 1.簡單遍歷網站，獲取每頁對應主題的URL。其中每頁都有無數個主題，其中主題的格式如下： ~~~ <!-- 第一步 爬取的HTML代碼如下 --> <div class="conbox"> <div class="cbtop"> </div> <div class="cbmiddle"> <a target="_blank" href="/html/5533.html" class="proimg"> <img src="http://i-2.yxdown.com/2015/3/19/KDE5Mngp/a78649d0-9902-4086-a274-49f9f3015d96.jpg" alt="Miss大小姐駕到！細數《英雄聯盟》圈的電競女神" /> <strong></strong> <p> <span>b></b>1836人看過</span> <em><b></b>10張</em> </p> <b class="imgname">Miss大小姐駕到！細數《英雄聯盟》圈的電競女神</b> </a> <a target="_blank" href="/html/5533.html" class="plLink"><em>1</em>人評論</a> </div> <div class="cbbottom"> </div> <a target="_blank" class="plBtn" href="/html/5533.html"></a> </div> ~~~ 它是由無數個<div class="conbox"></div>組成，其中我們只需要提取<a target="_blank" href="/html/5533.html" class="proimg">中的href即可，然后通過URL拼接實現到具體的主題頁面。其中對應上面的布局如下圖所示：  ? 2.去到具體圖像頁面 下載HTML頁面，如： [http://pic.yxdown.com/html/5533.html#p=1](http://pic.yxdown.com/html/5533.html#p=1) 同時下載本地HTML頁面可以注釋該句代碼。此時需要點擊“查看圖片”才能下載原圖，點擊右鍵只能另存為網站html。  3.我最初打算是是分析“查看原圖”的URL來實現下載，其他網站同理是分析“下一頁”來實現的。但我發現它是通過JavaScript實現的瀏覽，即： <a href="javascript:;" onclick="return false;" id="photoOriginal">查看原圖</a> 同時它把所有圖片都寫在下面代碼<script></script>中： ~~~ <script>var images = [ { "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg", "thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg", "original":"http://i-2.yxdown.com/2015/3/18/6381ccc0-ed65-4422-8671-b3158d6ad23e.jpg", "title":"","descript":"","id":75109}, { "big":"http://i-2.yxdown.com/2015/3/18/KDkwMHgp/fec26de9-8727-424a-b272-f2827669a320.jpg", "thumb":"http://i-2.yxdown.com/2015/3/18/KHgxMjAp/fec26de9-8727-424a-b272-f2827669a320.jpg", "original":"http://i-2.yxdown.com/2015/3/18/fec26de9-8727-424a-b272-f2827669a320.jpg", "title":"","descript":"","id":75110}, ... </script> ~~~ 其中獲取原圖-original即可，縮略圖-thumb，大圖-big，通過正則表達式下載URL： res_original = r'"original":"(.*?)"' #原圖 m_original = re.findall(res_original,script) 4.最后一步就是下載圖片，其中我不太會使用線程，只是簡單添加了time.sleep(0.1) 函數。下載圖片可能會遇到維基百科那種訪問受限，需要相應設置，核心代碼如下： ~~~ import os import urllib class AppURLopener(urllib.FancyURLopener): version = "Mozilla/5.0" urllib._urlopener = AppURLopener() url = "http://i-2.yxdown.com/2015/2/25/c205972d-d858-4dcd-9c8b-8c0f876407f8.jpg" filename = os.path.basename(url) urllib.urlretrieve(url , filename) ~~~ 同時我也在本地創建文件夾Picture3，并txt記錄獲取的URL，如下圖所示：  最后希望文章對大家有所幫助，簡單來說文章就兩句話：如何分析源代碼通過正則表達式提取指定URL；如何通過Python下載圖片。如果文章有不足之處，請海涵！ （By：Eastmount 2015-3-20 下午5點 ?[http://blog.csdn.net/eastmount/](http://blog.csdn.net/eastmount/)）