Python爬取表情包

阅读本文大概需要 4 分钟。

自从读了研究生，和之前的同学聊天的机会就少了，不是说我高冷装逼，是研究生的生活确实是“三点一线”，每天都在食堂、实验室、宿舍之间来回转。每天除了看文献、就是做实验，真挺枯燥的，这不前两天一个好哥们主动找我聊天，还时不时给我发几张骚图，我想予以反击，一看表情库，真的是空空如也啊！

最近自己正好自学爬虫这部分知识，因此，我想能不能用爬虫抓取网页，获得表情包，经过自己一天的研究，终于能实现这个功能，下面大家看我演（zhuang）示（bi）。

前期准备

1.我主要用到的是百度贴吧中的“表情包吧”，访问地址是：http://tieba.baidu.com/p/5059180075

2.进去后，按F12打开开发者调试，抓取一张表情图片，会发现其实就是一个<img>标签：<imgsrc="https://imgsa.baidu.com/forum/w%3D580/sign=c72193ed33292df597c3ac1d8c335ce2/34f9a451f3deb48fdf9bf71cf91f3a292cf57801.jpg"size="38255" changedsize="true" width="560"height="560">

3.通过对爬虫工作原理的了解，知道了需要做的就是抓取页面的所有图片的src资源路径：https://imgsa.baidu.com/forum/w%3D580/sign=c72193ed33292df597c3ac1d8c335ce2/34f9a451f3deb48fdf9bf71cf91f3a292cf57801.jpg

4.关于爬虫，虽然很有趣，但是操作起来并不容易，尤其是需要运用正则表达式知识，可以说一个爬虫的成功与否，正则表达式起了至关重要的作用，这里对正则还不熟悉的同学，可以看我之前写的正则入门的文章。

首先运用正则表达式把页面所有<img>标签筛选出来，那在html文件里匹配<img>标签的正则表达式该怎么写呢？

可以这样考虑：同一个图片的同类型img标签，按正常的写法<imgclass="BDE_Image"，这部分是固定的；接着是src的资源路径，这是我们关注的重点；最后是width属性，height属性，这部分也不是固定的。

对于固定部分保持不变，src部分的匹配表达式可以这样写：（[^”]*\.jpg），解释一下这段正则表达式，其中[]表示的是或，‘’值的是空字符，^指的是取反，所以[^‘’]指的是生成的字符类包含除了‘’的所有字符集合。*指匹配前面的[^”]0次或多次。此外还用到了（）进行了分组。

最后，对于width和height部分，正则表达式：.*?

代码部分

运用结果

看到这么多表情包，真香！妈妈再也不用担心我和你们斗图了！

感兴趣的同学，后台回复「表情包」即可获得源码，大家抓紧试试吧！