Python爬虫文件下载图文教程

Python  /  管理员 发布于 7年前   328

而今天我们要说的内容是：如果在网页中存在文件资源，如：图片，电影，文档等。怎样通过Python爬虫把这些资源下载下来。

1、怎样在网上找资源：

就是百度图片为例，当你如下图在百度图片里搜索一个主题时，会为你跳出一大堆相关的图片。

还有如果你想学英语，找到一个网站有很多mp3的听力资源，这些可能都是你想获取的内容。

现在是一个互联网的时代，只要你去找，基本上能找到你想要的任何资源。

2、怎样识别网页中的资源：

以上面搜索到的百度图片为例。找到了这么多的内容，当然你可以通过手动一张张的去保存，但这样做既费力又费事。你当然更希望通过程序自动去下载所找到的资源。要想代码识别这些资源，就要告诉代码这些资源有哪些特征，怎样在网页中找到它们。

打开浏览器的调试功能（不同浏览器可能有差别，不知道的百度一下吧）。找出网页中你想要下载资源的路径，如下图所示。如果有许多类似资源需要下载，则要找到识别这些资源地址的规律，然后告诉代码。

3、资源下载方法一：

代码很简单，直接上代码：

from urllib.request import urlretrieveurlretrieve("图片URL", "./image.jpg")

 

直接通过urlretrieve函数就把URL对应的图片给下载到当前文件夹（./）中了，并把图片命名为image.jpg。

4、资源下载方法二：

还是直接看代码：

import requestsresource = requests.get("图片URL")with open("./image.jpg", mode="wb") as fh:  fh.write(resource.content)

此下载方法要安装python的requests库。从功能上来说与下载方法一是一样的。python库的安装方法用pip就好。很简单，这里都不铝恕

5、资源下载方法三：

看代码：

import requestsresource = requests.get("图片URL", stream=True)with open("./image.jpg", mode="wb") as fh:  for chunk in resource.iter_content(chunk_size=100):    fh.write(chunk)

此方法与下载方法二的不同之处在于在get方法调用时使用了参数【stream=True】。而在写入的文件的时候是分块写入的。

什么意思呢：

前两种方法是把一个文件全部下载到内存后，再一起写入到硬盘文件中。

方法三是下载一定的量（这里指的是100字节）后，就写入到硬盘文件中，直到全部写完。

第三种方法的好处是，如果在下载大容量文件时，不会造成内存的过度使用。

6、资源下载说明一：

上述的代码都是通过下载图片资源为例子的，但所有其它资源，如文档，电影等的下载方式是一样的。关键是要正确的识别出网页中资源所对应的URL地址才能够正确的下载（因为有些资源是用的相对路径或加密后的路径）。

7、资源下载说明二：

上面例子中的代码都是下载单一资源的。如果要在同一网页中下载多个资源的思路如下：

1. 找出要下载资源的URL，并形成一个资源集合；

2. 把下载函数中的资源URL与保存路径参数化；

3. 遍历资源集合，依靠循环调用下载函数来达到多个资源下载的目的。

总结：以上就是本次介绍关于Python爬虫下载文件的所有知识点内容，感谢大家的阅读。