Question

我的代码只返回一个空字符串，我不知道为什么。

import urllib2

def getImage(url):
    page = urllib2.urlopen(url)
    page = page.read() #Gives HTML to parse

    start = page.find('<a img=')
    end = page.find('>', start)

    img = page[start:end]

return img

它只返回它找到的第一个图像，所以它不是一个非常好的图像刮刀;那说，我现在的主要目标只是为了能够找到一个图像。我不能。

Answer 1

你应该使用一个库，有几个，但通过改变你向我们展示的代码回答你的问题......

您的问题是您正在尝试查找图片，但图片不使用<a ...>标记。他们使用<img ...>标记。这是一个例子：

<img src="smiley.gif" alt="Smiley face" height="42" width="42">

您应该做的是将start = page.find('<a img=')行更改为start = page.find('<img ')，如下所示：

def getImage(url):
    page = urllib2.urlopen(url)
    page = page.read() #Gives HTML to parse

    start = page.find('<img ')
    end = page.find('>', start)

    img = page[start:end+1]
    return img

Answer 2

考虑使用BeautifulSoup来解析您的HTML：

from BeautifulSoup import BeautifulSoup
import urllib
url  = 'http://www.google.com'
html = urllib.urlopen(url).read()
soup = BeautifulSoup(html)
for img in soup.findAll('img'):
     print img['src']

Answer 3

关于使用ruby进行屏幕抓取的文章： http://www.igvita.com/2007/02/04/ruby-screen-scraper-in-60-seconds/ 它不是刮图像，但它是一篇好文章，可能有所帮助。

Answer 4

以这种方式提取图像信息不是一个好主意。根据您的知识和学习新知识的动机，有更好的选择：

http://scrapy.org/是一个非常好的框架，用于从网页中提取数据。因为看起来你是初学者，所以可能有点矫枉过正。
了解正则表达式以提取信息：http://docs.python.org/library/re.html和Learning Regular Expressions
使用http://www.crummy.com/software/BeautifulSoup/解析page.read()结果中的数据。

Answer 5

可能有帮助的一些说明：

使用Google Chrome。将鼠标放在图像上并单击鼠标右键。选择“检查元素”。这将打开一个部分，您将能够在图像附近看到html。

使用Beautiful Soup解析html：

from BeautifulSoup import BeautifulSoup

request = urllib2.Request(url)
response = urllib2.urlopen(request)
html = response.read()
soap = BeautifulSoap(html)
imgs = soup.findAll("img")
items = []
for img in imgs:
    print img['src'] #print the image location
    items.append(img['src']) #store the locations for downloading later

Python中的图像抓取程序无法按预期运行

5 个答案: