使用python从HTML页面源下载图像文件？

StackOverflow https://stackoverflow.com/questions/257409

  •  05-07-2019
  •  | 
  •  

题

我正在编写一个刮刀，从HTML页面下载所有图像文件并将其保存到特定文件夹。所有图像都是HTML页面的一部分。

有帮助吗？

解决方案

以下是从提供的URL下载所有图像的一些代码，并将它们保存在指定的输出文件夹中。您可以根据自己的需要进行修改。

"""
dumpimages.py
    Downloads all the images on the supplied URL, and saves them to the
    specified output file ("/test/" by default)

Usage:
    python dumpimages.py http://example.com/ [output]
"""
from bs4 import BeautifulSoup as bs
from urllib.request import (
    urlopen, urlparse, urlunparse, urlretrieve)
import os
import sys

def main(url, out_folder="/test/"):
    """Downloads all the images at 'url' to /test/"""
    soup = bs(urlopen(url))
    parsed = list(urlparse(url))

    for image in soup.findAll("img"):
        print("Image: %(src)s" % image)
        filename = image["src"].split("/")[-1]
        parsed[2] = image["src"]
        outpath = os.path.join(out_folder, filename)
        if image["src"].lower().startswith("http"):
            urlretrieve(image["src"], outpath)
        else:
            urlretrieve(urlunparse(parsed), outpath)

def _usage():
    print("usage: python dumpimages.py http://example.com [outpath]")

if __name__ == "__main__":
    url = sys.argv[-1]
    out_folder = "/test/"
    if not url.lower().startswith("http"):
        out_folder = sys.argv[-1]
        url = sys.argv[-2]
        if not url.lower().startswith("http"):
            _usage()
            sys.exit(-1)
    main(url, out_folder)

编辑：您现在可以指定输出文件夹。

其他提示

Ryan的解决方案很好，但是如果图像源URL是绝对URL，或者只是简单地连接到主页面URL时没有给出好结果的任何内容，则会失败。 urljoin识别绝对URL和相对URL，因此用中间替换中间的循环：

for image in soup.findAll("img"):
    print "Image: %(src)s" % image
    image_url = urlparse.urljoin(url, image['src'])
    filename = image["src"].split("/")[-1]
    outpath = os.path.join(out_folder, filename)
    urlretrieve(image_url, outpath)

您必须下载页面并解析html文档，使用正则表达式查找图像并下载它。您可以使用urllib2进行下载，使用Beautiful Soup来解析html文件。

这是下载一张图片的功能：

def download_photo(self, img_url, filename):
    file_path = "%s%s" % (DOWNLOADED_IMAGE_PATH, filename)
    downloaded_image = file(file_path, "wb")

    image_on_web = urllib.urlopen(img_url)
    while True:
        buf = image_on_web.read(65536)
        if len(buf) == 0:
            break
        downloaded_image.write(buf)
    downloaded_image.close()
    image_on_web.close()

    return file_path

使用htmllib提取所有img标签（覆盖do_img），然后使用urllib2下载所有图像。

如果请求需要授权，请参阅以下内容：

r_img = requests.get(img_url, auth=(username, password)) 
f = open('000000.jpg','wb') 
f.write(r_img.content) 
f.close()
许可以下： CC-BY-SA 和 归因
不隶属于 StackOverflow
scroll top