使用Python / urllib / beautifulsoup从URL批量下载文本和图像？

发布时间：2020-12-20 13:24:56 所属栏目：Python 来源：网络整理

导读：我一直在浏览这里的几篇帖子,但我无法用 Python从批量下载图片和文本来给定URL. import urllib,urllib2import urlparsefrom BeautifulSoup import BeautifulSoupimport os,sysdef getAllImages(url): query = urllib2.Request(url) user_agent = "Mozilla/4.

我一直在浏览这里的几篇帖子,但我无法用 Python从批量下载图片和文本来给定URL.

import urllib,urllib2
import urlparse
from BeautifulSoup import BeautifulSoup
import os,sys

def getAllImages(url):
    query = urllib2.Request(url)
    user_agent = "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 1.0.3705)"
    query.add_header("User-Agent",user_agent)

    page = BeautifulSoup(urllib2.urlopen(query))
    for div in page.findAll("div",{"class": "thumbnail"}):
        print "found thumbnail"
        for img in div.findAll("img"):
            print "found image"
            src = img["src"]
            if src:
                src = absolutize(src,pageurl)
                f = open(src,'wb')
                f.write(urllib.urlopen(src).read())
                f.close()
        for h5 in div.findAll("h5"):
            print "found Headline"
            value = (h5.contents[0])
            print >> headlines.txt,value


def main():
    getAllImages("http://www.nytimes.com/")

以上是一些更新的代码.会发生什么,什么都不是.代码没有找到任何带有缩略图的div,显然,没有任何结果打印….所以可能我错过了一些指向获取包含图像和标题的正确div？

非常感谢！

解决方法

您正在使用的操作系统不知道如何写入您在src中传递它的文件路径.确保用于将文件保存到磁盘的名称是操作系统实际可以使用的名称：

src = "abc.com/alpha/beta/charlie.jpg"
with open(src,"wb") as f:
    # IOError - cannot open file abc.com/alpha/beta/charlie.jpg

src = "alpha/beta/charlie.jpg"
os.makedirs(os.path.dirname(src))
with open(src,"wb" as f:
    # Golden - write file here

一切都会开始奏效.

还有一些额外的想法：

>确保规范化保存文件路径(例如os.path.join(some_root_dir,* relative_file_path *)) – 否则您将根据其src在整个硬盘上写入图像.>除非您正在运行某种类型的测试,否则最好在您的user_agent字符串中宣传您是一个机器人并且尊重robots.txt文件(或者,提供某种联系信息以便人们可以要求您在需要时停止).

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!