隨便寫的一個python小程式，從網頁中下載圖片

在diveintopython網站上，http://diveintopython.org/html_processing/extracting_data.html可以找到一些html處理的例子，比如這個類可以用來擷取html頁面中的href標籤內容。

from sgmllib import SGMLParserclass URLLister(SGMLParser):    def reset(self):                                      SGMLParser.reset(self)        self.urls = []    def start_a(self, attrs):                             href = [v for k, v in attrs if k=='href']          if href:            self.urls.extend(href)



將這個檔案href的地方都改成src，start_a改成start_img
即：
from sgmllib import SGMLParser

class URLLister(SGMLParser):
    def reset(self):                              
        SGMLParser.reset(self)
        self.urls = []

    def start_img(self, attrs):                     
        src = [v for k, v in attrs if k=='src'] 
        if src:
            self.urls.extend(src)
儲存代碼內容為urllister.py檔案，放在python安裝目錄即可，這樣就可以用來分析網頁的圖片地址了。








下面為圖片下載的程式內容

import urllib2
import urllib
import os
import urllister
# 這是來自http://diveintopython.org/html_processing/extracting_data.html#dialect.extract.urllib的一個分析html頁面的類

imagepath=[]

#cd 函數用於判斷路徑是否正確，如正確則改變當前工作路徑
def cd(ss):
    try:
        os.chdir(ss)
        print '改變工作目錄為'+ss
        return 0
    except:
        print '輸入圖片儲存路徑有誤，請重新輸入'
        return 1
#addimagepath，該函數將圖片路徑添加到imagepath這個list中
def addimagepath(surl):
    if 'http://' in surl 
        imagepath.append(surl)
        print '找到圖片：'+surl.split('/')[-1]+'圖片地址為：'+surl
    else:
        surl=str_url+surl
        imagepath.append(surl)
        print '找到圖片：'+surl.split('/')[-1]+'圖片地址為：'+surl

#download images
def image_down(list_image):
    if not list_image:
        print "該頁面沒有任何圖片"
    else:
        for image in list_image:
            try:
                urllib.urlretrieve(image,image.split('/')[-1]) #利用image.split('/')[-1]獲得檔案名稱
                print "來自"+image+"的圖片儲存成功！"
            except:
                print "來自"+image+"圖片沒有儲存成功，繼續儲存下一張圖片...."

print "請輸入網頁的url地址："
str_url=raw_input()

print "請輸入圖片儲存地址，如果直接斷行符號將預設儲存到我的文件"

temp=1
while temp:
    str_save=raw_input()
    if not str_save:
        str_save='E:/Fei_Doc'
    temp=cd(str_save)
   

try:
    sock=urllib2.urlopen(str_url)
    print "頁面串連成功！開始擷取圖片地址……"
except:
    print "sorry，輸入的地址有誤或頁面無法串連，程式將自動結束"

parser=urllister.URLLister()
parser.feed(sock.read())
sock.close()
parser.close()
for url in parser.urls:
    addimagepath(url)

#調用圖片下載函數
image_down(imagepath)

#程式結束

儘管這個程式能基本上解決問題，不過我發現有一些不足：
1、如果頁面的img標籤後面沒有直接跟src屬性，比如複雜一點的img代碼：
 <img border="0" onload="
function onload(event) {
javascript:
    if (this.width > screen.width - 333) {
        this.width = screen.width - 333;
    }
}
" src="http://bbs.263.net/forumData/119/2860134_1.jpg" alt="按此在新視窗瀏覽圖片" />

那麼urllister便無法識別了。不過這個問題解決起來比較容易，直接對html代碼每行代碼進行分析，利用split('src')，可以得到所有src標籤的內容，然後根據尾碼是否為jpg，gif等得到圖片檔案地址。
       

2、上面的程式只是對地址為http開始的圖片以及當前url下面目錄的圖片進行處理，如果src裡面的內容以“../images“ 或者 “/“開頭，則需另外處理。