【网络安全带你练爬虫-100练】第10练：re的正则匹配、文件夹创建、图片下载

news2024/9/25 9:35:56

一、目标1：正则匹配图片的URL

二、目标2：创建文件夹

三、目标3：保存图片到test文件夹中

四、网络安全小圈子

一、目标1：正则匹配图片的URL

URL位置

我们可以找到img都在这个标签里面

请求方法GET

提取URL位置

需要掌握的关键字

.*?
//表示匹配任意字符（除换行符）

(.*?)
//表示匹配任意字符（除换行符）0次或多次，尽可能少地匹配，并将这部分内容作为一个分组

目标标签如下：

<div class="thumb">
    <a target="_blank" style="background:url(https://pic.chinaz.com/picmap/thumb/202306271716277907_5.jpg);background-size:cover;background-position:center" rel="noopener noreferrer" href="https://www.chinaz.com/2023/0708/1541405.shtml">
    </a>
</div>

需要提取的内容如下：

(多加了一个\为转义字符)

img_url = <div class="thumb">.*?url\((.*?)).*?</div>

爬取到所有的格式相符的图片内容

res：是一个正则表达式，用于匹配的模式。

img_url：是要进行匹配的字符串。

re.S：是re模块中的一个标志参数，表示将字符串视为单行，即将换行符也视为普通字符

img_url_list = re.findall(res,img_url,re.S)

运行结果：

将目标URL都爬取到了

完整代码：

import re
import requests

def get_img():
    url = 'https://www.chinaz.com/'
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:107.0) Gecko/20100101 Firefox/107.0",
    }

    res = requests.get(url,headers=headers,timeout=10).text
    img_url = '<div class="thumb">.*?url\((.*?));.*?</div>'

    img_url_list = re.findall(img_url,res,re.S)
    print(img_url_list)

if __name__ == '__main__':
    get_img()

二、目标2：创建文件夹

判断文件夹是否存在来决定是否创建文件夹，并使用os.makedirs()函数递归创建文件夹。如果文件夹已存在，则不会进行任何操作

('./test'也可以换为参数进行传值)

（os.mkdir()函数是不会递归创建文件夹）

import os

if not os.path.exists('./test'):    
    os.makedirs('./test')

三、目标3：保存图片到test文件夹中

处理数据

首先依次遍历图片的URL，然后除去非必要的字符

使用replace()函数将非必要字符替换为空

    for u in img_url_list:
        img_u = u.replace("(", "").replace(")", "")
        print(img_u)

运行后，文件夹已创建，URL也遍历成功

获取图片数据

有图片地址后get就可以请求到

.content返回二进制格式数据

        image = requests.get(url=img_u,headers=headers,timeout=10).content

给文件命名

取url最后的那个为他的名字

也就是https://pic.chinaz.com/picmap/thumb/202306271716277907_5.jpg

取 202306271716277907_5.jpg

以此类推

        img_name = img_u.split('/')[-1]

将图片保存到本地

图片路径

下载图片到本地路径

        img_path =  './test/' + img_name
        with open(img_path,'wb') as f:
            f.write(img_data)
        print(img_name + '下载成功！')

运行结果：

发现还有一个杂数据进入了导致报错

然后我果断加了一个if判断语句

        if re.match(r'https?://', u):

最后下载成功了

完整代码：

import re
import requests
import os

def get_img():
    url = 'https://www.chinaz.com/'
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:107.0) Gecko/20100101 Firefox/107.0",
    }
    res = requests.get(url, headers=headers, timeout=10).text
    img_url = r'<div class="thumb">.*?url\((.*?)\);.*?</div>'
    img_url_list = re.findall(img_url, res, re.S)
    for u in img_url_list:
        if re.match(r'https?://', u):
            img_u = u.replace("(", "").replace(")", "")
            img_data = requests.get(url=img_u, headers=headers, timeout=10).content
            img_name = img_u.split('/')[-1]
            img_path = './test/' + img_name
            with open(img_path, 'wb') as f:
                f.write(img_data)
            print(img_name + '下载成功！')
        else:
            continue

if __name__ == '__main__':
    if not os.path.exists('./test'):
        os.makedirs('./test')
    get_img()