python批量下载图片的三种方法

  一是用微软提供的扩展库win32com来操作IE:

win32com可以获得类似js里面的document对象,但貌似是只读的(文档都没找到)。

  二是用selenium的webdriver:

selenium则提供了Chrome,IE,FireFox等的支持,每种浏览器都有execute_script和find_element_by_xx方法,可以方便的执行js脚本(包括修改元素)和读取html里面的元素。不足是selenium只提供对python2.6和2.7的支持。

  三是用python自带的HTMLParser解析:

HTMLParser则是需要自己写个类继承基类,重写解析元素的方法。

1.win32com

 1 #将滚动条滑到底,最多滑动20000像素
 2 #模拟键盘右键,查看多张图片
 3 import sys
 4 import win32com.client,win32api
 5 import urllib.request
 6 import time
 7 import os
 8 def main():
 9     #获取参数
10     url=sys.argv[1]
11     #操作IE
12     ie=win32com.client.Dispatch("InternetExplorer.Application")
13     ie.Navigate(url)
14     ie.Visible=True
15     last_url=''
16     dir_name=''
17     while last_url!=url:
18         print('\nThe URL is:',url,'\n')
19         while ie.ReadyState != 4:    
20             time.sleep(1)
21         while ie.Document.readyState != "complete": 
22             time.sleep(1)
23         #滑动滚动条
24         win=ie.Document.parentWindow
25         lastY=-1;
26         for i in range(40):
27             win.scrollTo(0,500*i)
28             nowY=win.pageYOffset
29             if(nowY==lastY):
30                 break
31             lastY=nowY
32             time.sleep(0.4)
33         print('Document load state:',ie.Document.readyState)
34         doc=ie.Document
35         #第一次需要创建目录
36         if(dir_name==''):
37             root_dir='E:\\img'
38             dir_name=root_dir+'\\'+doc.title
39             dir_name=dir_name.replace('|','-')
40             if(os.path.exists(root_dir)!=True):
41                 os.mkdir(root_dir)
42             if(os.path.exists(dir_name)!=True):
43                 os.mkdir(dir_name)
44         all_image=doc.images
45         print('共有',all_image.length,'张图片')
46         count=0;
47         for img in all_image:
48             if(img.id=='b_img'):
49                 count=count+1
50                 print(count,img.src)
51                 time.sleep(1)
52                 img_file=urllib.request.urlopen(img.src)
53                 byte=img_file.read()
54                 print(count,'donwload complete!','-'*10,'size:','{:.3}'.format(byte.__len__()/1024),'KB')
55                 if(byte.__len__()>7000):
56                     file_name=img.src.replace('/','_')
57                     file_name=file_name.replace(':','_')
58                     end=file_name.__len__()
59                     if(file_name.rfind('!')!=-1):
60                         end=file_name.rfind('!')
61                     if(file_name.rfind('?')!=-1):
62                         end=file_name.rfind('?')
63                     file_name=file_name[:end]
64                     write_file=open(dir_name+'\\'+file_name,'wb')
65                     write_file.write(byte)
66                     write_file.close()
67                     print(count,file_name,'complete!')
68         #下一张
69         last_url=url
70         win32api.keybd_event(39,0)
71         time.sleep(1)
72         url=ie.Document.url
73         print(last_url,url)
74     #ie.Quit()
75 if __name__ == '__main__':
76     main()

2.selenium

 1 # -*- coding: cp936 -*-
 2 import sys
 3 import urllib
 4 import time
 5 import os
 6 from selenium import webdriver
 7 def main():
 8     #获取参数
 9     url=sys.argv[1]
10     #操作IE
11     driver=webdriver.Chrome()
12     driver.get(url)
13     driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
14     #创建目录
15     dir_name=driver.find_element_by_tag_name('title').text
16     print dir_name
17     root_dir='E:\\img'
18     dir_name=root_dir+'\\'+dir_name
19     dir_name=dir_name.replace('|','-')
20     if(os.path.exists(root_dir)!=True):
21         os.mkdir(root_dir)
22     if(os.path.exists(dir_name)!=True):
23         os.mkdir(dir_name)
24     images=driver.find_elements_by_tag_name('img')
25     count=0
26     for image in images:
27         count=count+1
28         image_url=str(image.get_attribute('src'))
29         img_file=urllib.urlopen(image_url)
30         byte=img_file.read()
31         print count,'donwload complete!','-'*10,'size:',byte.__len__()/1024,'KB'
32         if(byte.__len__()>7000):
33             file_name=image_url.replace('/','_')
34             file_name=file_name.replace(':','_')
35             end=file_name.__len__()
36             if(file_name.rfind('!')!=-1):
37                 end=file_name.rfind('!')
38             if(file_name.rfind('?')!=-1):
39                 end=file_name.rfind('?')
40             file_name=file_name[:end]
41             write_file=open(dir_name+'\\'+file_name,'wb')
42             write_file.write(byte)
43             write_file.close()
44             print count,file_name,'complete!'
45     driver.quit()
46 if __name__ == '__main__':
47     main()

3.HTMLParser:

 1 # import modules used here -- sys is a very standard one
 2 import sys
 3 import urllib.request
 4 # Gather our code in a main() function
 5 from html.parser import HTMLParser
 6 class MyHTMLParser(HTMLParser):
 7     def handle_starttag(self,tag,attrs):
 8         if(tag=='img'):
 9             for attr in attrs:
10                 if(attr[0]=='src'):
11                     img_file=urllib.request.urlopen(attr[1])
12                     byte=img_file.read()
13                     #文件大于1000b则生成文件,添加计数,下载多少图片,显示html代码
14                     if(byte.__len__()>1000):
15                         file_name=attr[1].replace('/','_')
16                         file_name=file_name.replace(':','_')
17                         end=file_name.__len__()
18                         if(file_name.rfind('!')!=-1):
19                             end=file_name.rfind('!')
20                         if(file_name.rfind('?')!=-1):
21                             end=file_name.rfind('?')
22                         file_name=file_name[:end]
23 ##                        print(file_name)
24                         write_file=open('E:\\img\\'+file_name,'wb')
25                         write_file.write(byte)
26                         write_file.close()
27 def main():
28     #获取参数
29     url=sys.argv[1]
30     print('\nThe URL is:',url,'\n')
31     #读取url所指向的资源
32     html_file=urllib.request.urlopen(url)
33     byte_content=html_file.read()
34     #将html网页保存起来
35     url_file=open('E:\\img\\html\\result.htm','wb')
36     url_file.write(byte_content)
37     url_file.close()
38     #从字节转换为字符串
39     s=str(byte_content, encoding = "utf-8")
40     #print(s)
41     #bytes.decode(html_file.read())
42     parser=MyHTMLParser(strict=False)
43     parser.feed(s)
44 # Standard boilerplate to call the main() function to begin
45 # the program.
46 if __name__ == '__main__':
47     main()

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏恰童鞋骚年

ASP.Net请求处理机制初步探索之旅 - Part 5 ASP.Net MVC请求处理流程

开篇:上一篇我们了解了在WebForm模式下一个Page页面的生命周期,它经历了初始化Init、加载Load以及呈现Render三个重要阶段,其中构造了页面控件...

14930
来自专栏大前端_Web

easyUI组件datagrid的二次封装

版权声明:本文为吴孔云博客原创文章,转载请注明出处并带上链接,谢谢。 https://blog.csdn.net/wkyseo/articl...

31630
来自专栏hbbliyong

WPF备忘录(3)如何从 Datagrid 中获得单元格的内容与 使用值转换器进行绑定数据的转换IValueConverter

一、如何从 Datagrid 中获得单元格的内容    DataGrid 属于一种 ItemsControl, 因此,它有 Items 属性并且用ItemCon...

40570
来自专栏Flutter入门

Weex是如何在Android客户端上跑起来的

Weex可以通过自己设计的DSL,书写.we文件或者.vue文件来开发界面,整个页面书写分成了3段,template、style、script,借鉴了成熟的MV...

53850
来自专栏Java学习网

常见的 Java 错误及避免方法之第五集(每集10个错误后续持续发布)

当输入期间意外终止文件或流时,将抛出“EOFException”。 以下是抛出EOFException异常的一个示例,来自JavaBeat应用程序:

17230
来自专栏大内老A

Enterprise Library深入解析与灵活应用(6):自己动手创建迷你版AOP框架

基于Enterprise Library PIAB的AOP框架已经在公司项目开发中得到广泛的使用,但是最近同事维护一个老的项目,使用到了Enterprise L...

21680
来自专栏菩提树下的杨过

Silverlight:获取ContentTemplate中的命名控件

项目开发中遇到一个要求,需要将ComboBox右侧中的小三角箭头给去掉,通过Blend工具“编辑ComboBox的模板副本”得知,这是一个名为"BtnArrow...

22580
来自专栏進无尽的文章

编码篇-学会小用宏和条件编译

宏定义在C系开发中可以说占有举足轻重的作用。底层框架自不必说,为了编译优化和方便,以及跨平台能力,宏被大量使用,可以说底层开发离开define将寸步难行。而在更...

17910
来自专栏GIS讲堂

excel中提取中文拼音

概述:在工作时,有时候会用到汉语拼音,本文讲述如何在Excel中通过vba程序提取汉字的拼音。

28930
来自专栏大内老A

为ASP.NET MVC创建一个基于Unity的ControllerFactory

谈到IoC和ASP.NET的集成,很多人会先后想到Ninject,不过我们个人还是倾向于Unity。这篇文章简单地介绍如果创建基于Unity的Controlle...

19970

扫码关注云+社区

领取腾讯云代金券